論文の概要: ASR-Style Transcript Normalization Removes Useful Pragmatic Signal for Dialogue Act Classification

• arxiv url: http://arxiv.org/abs/2610.22934v1
• Date: Fri, 16 Oct 2026 04:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.767632
• Title: ASR-Style Transcript Normalization Removes Useful Pragmatic Signal for Dialogue Act Classification
• Title（参考訳）: ASR-Style Transcript 正規化は対話行為分類に有用な実用的信号を取り除いた
• Abstract要約: Punctuation-Aware TF-IDF 実験により、Macro-F1 は Switchboard で0.036 、MRDA で0.078 減少することが示された。 フィラー除去を......、ermに制限することは、MRDAの劣化を抑えるが、SLUE-HVBの効果をほとんど排除する。
• 参考スコア（独自算出の注目度）: 0.4640835690336653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic speech recognition (ASR) pipelines often normalize transcripts by removing filled pauses and punctuation and expanding colloquial forms, potentially discarding cues useful for dialogue act classification. We evaluate nine transcript conditions across six classifiers (TF-IDF logistic regression, RoBERTa, BERT, ALBERT, GPT-2, and BiLSTM) and three conversational corpora (Switchboard, ICSI MRDA, and SLUE-HVB), supplemented by multi-seed experiments, normalization controls, and real-ASR evaluations. Across five random seeds, heavy normalization reduces Macro-F1 in all 15 neural model-corpus combinations under the original preprocessing protocols. Removal using the original filler and backchannel lexicon consistently degrades performance on MRDA and SLUE-HVB but produces mixed effects on Switchboard. Punctuation-aware TF-IDF experiments show that punctuation removal reduces Macro-F1 by 0.036 on Switchboard and 0.078 on MRDA, demonstrating that the original linear baseline's apparent insensitivity resulted from tokenization. Restricting filler removal to um, uh, and erm preserves degradation on MRDA but largely eliminates the SLUE-HVB effect, where the original lexicon removes class-defining backchannel expressions. These findings demonstrate that normalization effects depend on preprocessing definitions, feature extraction, and conversational context, supporting task-dependent rather than indiscriminate transcript normalization.
• Abstract（参考訳）: 自動音声認識(ASR)パイプラインは、しばしば文言を正規化するために、文末と句読点を除去し、口語形式を拡大し、対話行為の分類に有用な手がかりを捨てる可能性がある。 我々は6つの分類器(TF-IDFロジスティックレグレッション、RoBERTa、BERT、ALBERT、GPT-2、BiLSTM)と3つの対話コーパス(Switchboard、ICSI MRDA、SLUE-HVB)にまたがって9つの転写条件を評価し、マルチシーズ実験、正規化制御、実ASR評価を行った。 5つのランダムなシードに対して、重い正規化は、元の前処理プロトコルの下で、15のニューラルモデルとコーパスの組み合わせ全てにおいてマクロ-F1を減少させる。 元のフィラーとバックチャネルレキシコンによる除去は、MRDAとSLUE-HVBの性能を一貫して低下させるが、Switchboardに混合効果をもたらす。 Punctuation-Aware TF-IDF 実験により、Switchboard では Macro-F1 が 0.036 、MRDA では 0.078 減少し、元の線形基底線の明らかな不感度がトークン化によって生じることを示した。 フィラー除去を...、ermに制限することはMRDAの劣化を抑えるが、SLUE-HVB効果をほとんど排除する。 これらの結果から, 正規化効果は前処理定義, 特徴抽出, 会話の文脈に依存することが明らかとなった。

関連論文リスト

• CACTUS: Mask-Guided Semantic Clean-Label Backdoors in Decentralized Federated Learning [3.278446761115315]
  CACTUSはラベル一貫性のあるセマンティックペアをターゲット指向の表現シフトに変換する。 CACTUSは音声コマンドで平均攻撃成功率(ASR)が51.2%に達している。
  論文  参考訳（メタデータ） (2026-09-02T11:16:13Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• ReHear: Iterative Pseudo-Label Refinement for Semi-Supervised Speech Recognition via Audio Large Language Models [12.527207210862151]
  ReHearは、自動音声認識における反復的な擬似ラベル改善のためのフレームワークである。 命令調整されたオーディオ対応の大規模言語モデルを自己学習ループに統合する。 ReHearはエラーの伝播を効果的に軽減し、教師付きベースラインと疑似ラベルベースラインの両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-21T05:04:22Z)
• DRES: Benchmarking LLMs for Disfluency Removal [27.083825614818135]
  um"、"uh"、インタージェクション、括弧、編集されたステートメントなどの分散は、音声駆動システムにおいて永続的な課題である。 制御されたテキストレベルのベンチマークである拡散除去評価スイートは、このタスクに対して再現可能なセマンティックアッパーバウンドを確立する。 DRESは、人間の注釈付きSwitchboard transcriptの上に構築され、ASRエラーからの拡散除去と音響的変動を分離する。
  論文  参考訳（メタデータ） (2025-09-24T17:08:12Z)
• Augmenting Automatic Speech Recognition Models with Disfluency Detection [12.45703869323415]
  音声の拡散は、会話や自発的な発話でよく起こる。 現在の研究は、主に、音声の正確な位置と持続時間を見越して、書き起こし中の不一致を検出することに焦点を当てている。 我々は,任意のASRモデルを拡張し,開集合不一致を検出するための推論のみのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-16T11:13:14Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Continuous Speech Separation with Conformer [60.938212082732775]
  分離システムでは、リカレントニューラルネットワークの代わりにトランスとコンバータを用いる。 我々は,自己注意に基づく方法でグローバルな情報を取得することが,音声分離に不可欠であると信じている。
  論文  参考訳（メタデータ） (2020-08-13T09:36:05Z)

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。