論文の概要: ACR-Net: Mitigating Semantic Dominance via Contrastive Acoustic-Semantic Decoupling

• arxiv url: http://arxiv.org/abs/2610.20114v1
• Date: Wed, 14 Oct 2026 12:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.142832
• Title: ACR-Net: Mitigating Semantic Dominance via Contrastive Acoustic-Semantic Decoupling
• Title（参考訳）: ACR-Net:Contrastive Acoustic-Semantic Decouplingによるセマンティック支配の緩和
• Abstract要約: セマンティック・ドミナンス(Semantic Dominance)の原因となる厳密なセマンティック・セマンティクスの学習 SOP(Semantic Overconfidence Penalty)とLDD(Latent Decoupling Degree)の2つの指標とともに、4つの競合タイプにまたがる敵対的音声テキストペアのASPIREベンチマークを導入する。 アコースティック・コンフリクト・レゾリューション・ネットワーク (ACR-Net) では, コントラスト・デカップリング・ロス (Contrastive Decoupling Loss) とクロスモーダル・アテンション・アンド・コントラスト・デカップリング・ロス (Cross-Modal Attention and Contrastive Decoupling Loss) を用いて, 矛盾表現を潜在空間に分解する。
• 参考スコア（独自算出の注目度）: 8.703409986617219
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech Emotion Recognition (SER) models and Audio LLMs fail when vocal tone contradicts textual semantics. Extensive training on congruent data engenders a rigid semantic prior, causing "Semantic Dominance", a severe text bias during cross-modal conflicts. We introduce the ASPIRE benchmark of adversarial audio-text pairs across four conflict types, alongside two metrics: Semantic Overconfidence Penalty (SOP) and Latent Decoupling Degree (LDD). Unlike fusion methods that merely re-weight collapsed features, our Acoustic Conflict Resolution Network (ACR-Net) uses Cross-Modal Attention and Contrastive Decoupling Loss to disentangle contradictory representations into orthogonal latent spaces. Experiments show existing models fail under polarity conflicts due to extreme semantic overconfidence. Conversely, ACR-Net preserves acoustic fidelity, maintaining high LDD to drive SOP near zero, achieving superior Acoustic Accuracy (ACC) in both adversarial and standard scenarios.
• Abstract（参考訳）: 音声感情認識(SER)モデルと音声LLMは、音声の音色が意味論に矛盾する場合に失敗する。 合同データに対する広範囲な訓練は、厳密な意味を先行させ、「セマンティック・ドミナンス(Semantic Dominance)」を引き起こす。 本稿では,SOP(Semantic Overconfidence Penalty)とLDD(Latent Decoupling Degree)の2つの指標とともに,敵対的音声テキストペアのASPIREベンチマークを紹介する。 アコースティック・コンフリクト・レゾリューション・ネットワーク (ACR-Net) では, コントラスト・デカップリング・ロス (Contrastive Decoupling Loss) とクロスモーダル・アテンション・アンド・コントラスト・デカップリング・ロス (Cross-Modal Attention and Contrastive Decoupling Loss) を用いて, 矛盾表現を直交潜在空間に分解する。 実験により、既存のモデルは極性の矛盾の下で失敗することが示された。 逆に、ACR-Netは音の忠実さを保ち、高いLCDを維持してSOPをゼロに近い速度で駆動し、対向シナリオと標準シナリオの両方において優れた音響精度(ACC)を達成する。

関連論文リスト

• Mitigating Speaker Leakage in Cascaded Multi-talker ASR with Diarization-based Transcript Correction [0.8749675983608171]
  マルチトーカーASR (MT-ASR) の性能は、分離時に話者の漏れによって制限されることが多い。 本稿では, 漏洩物を確実に識別し, 除去する相補的プルーニングに基づくパラダイムを提案する。 LibriMix, LibriSpeechMix, AMI Meeting corpus の結果から, 多様な重なり合う条件において, アルゴリズムが常に cpW ER を減少させることが示された。
  論文  参考訳（メタデータ） (2026-08-23T03:21:45Z)
• Contrastive Training with LLM-generated Near-Misses for Robust Code-Switching Speech Recognition [4.573909205189436]
  CSクリティカル領域における認識を改善するために,POI(Point-of-Interest)対応のコントラスト学習フレームワークを提案する。 CS-FLEURS (cmn-eng) と ViMedCSS (vie-eng) の実験は、一般およびCS対応のエラーレートにおいて、2%以上の一貫した減少を示した。
  論文  参考訳（メタデータ） (2026-06-05T07:24:39Z)
• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
  マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。 我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T13:11:33Z)
• Still Between Us? Evaluating and Improving Voice Assistant Robustness to Third-Party Interruptions [52.45054413627452]
  TPI-Trainは、話者認識型ハードネガティブで設計された88Kインスタンスのデータセットで、割り込み処理のための音響キュー優先順位付けを強制する。 TPI-Benchは、割り込み処理戦略を厳格に測定するために設計された総合的な評価フレームワークである。
  論文  参考訳（メタデータ） (2026-04-19T10:03:42Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
  最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。 非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
  論文  参考訳（メタデータ） (2023-09-27T09:27:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。