論文の概要: MiCLA: Mixture-to-Constituent Latent Alignment for Polyphonic Audio Representation Learning

• arxiv url: http://arxiv.org/abs/2610.27491v1
• Date: Tue, 20 Oct 2026 02:10:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.584439
• Title: MiCLA: Mixture-to-Constituent Latent Alignment for Polyphonic Audio Representation Learning
• Title（参考訳）: MiCLA:ポリフォニック・オーディオ表現学習のためのミックス・トゥ・コンスティクト・ラテントアライメント
• Abstract要約: 合成対数メルミキシングを用いて合成クリップと混合表現をアライメントする2段階の自己教師型事前学習フレームワークを提案する。 MiCLAはAS-20K平均精度(mAP)が43.2%、AS-2M平均精度(mAP)が50.3%である。 これらの結果から,指向性混合構成アライメントは,ポリフォニック音声表現学習に有効な事前学習信号を提供することが示された。
• 参考スコア（独自算出の注目度）: 4.145240274022923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world audio typically contains concurrent sound events, yet standard self-supervised methods treat each clip as an isolated training unit without explicitly modeling mixture--constituent relationships. We propose Mixture-to-Constituent Latent Alignment (MiCLA), a two-stage self-supervised pre-training framework that uses synthetic log-mel mixing to align mixture representations with their constituent clips. Stage 1 structures single-clip representations via masked self-distillation and contrastive regularization. Stage 2 introduces bidirectional alignment: for a synthetic mixture, MiCLA suppresses the component aligned with one constituent and aligns the residual with the other, using projective residualization on patch tokens and sample-adaptive soft residualization on the global class token. In downstream evaluations, MiCLA achieves 43.2% mean average precision (mAP) on AS-20K and 50.3% mAP on AS-2M under fine-tuning, and achieves the highest mAP among evaluated models on both AudioSet settings under frozen Convex Gated Probing (CGP). Furthermore, a Joint Semantic Retrieval diagnostic shows that MiCLA improves simultaneous retrieval of both constituent classes over target-averaging baselines. These results indicate that directional mixture-to-constituent alignment provides an effective pre-training signal for polyphonic audio representation learning.
• Abstract（参考訳）: 現実のオーディオは、典型的には同時音声イベントを含むが、標準的な自己監督手法は、各クリップを明示的に混合構成関係をモデル化することなく、独立した訓練単位として扱う。 合成対数メルミキシングを用いた2段階の自己教師型事前学習フレームワークMiCLAを提案する。 ステージ1は、マスク付き自己蒸留と対照的な正則化によってシングルクリップ表現を構成する。 ステージ2では、合成混合物に対して、MiCLAは1つの成分に整合した成分を抑制し、残りの成分を他方と整列させ、パッチトークンの射影残留化とグローバルクラストークンのサンプル適応ソフト残留化を用いる。 下流評価では、MICLAはAS-20Kの平均平均精度(mAP)を43.2%、AS-2Mの平均平均精度(mAP)を50.3%で微調整し、凍結したコンベックスGated Probing(CGP)の下でAudioSet設定の両方で評価されたモデルの中で最も高いmAPを達成している。 さらに, 統合意味検索診断では, MiCLAは, 目的達成ベースラインを越えながら, 両方の構成クラスの同時検索を改善する。 これらの結果から,指向性混合構成アライメントは,ポリフォニック音声表現学習に有効な事前学習信号を提供することが示された。

関連論文リスト

• DF-PALM: Dynamic Fusion Prompt Learning for Audio--Language Models [57.25672896669361]
  限られたラベル付きデータと可変音響イベントを区別するために、音声モデルを必要とする音声分類は少ない。 Palmの主な定式化は、事前訓練されたエンコーダを変更することなく、エンコードされたクラス表現に適応するが、そのクラス表現は入出力に依存しないままである。 本稿では,音声条件付きクラス表現と非対称なクロスアテンションを組み合わせた動的特徴空間プロンプトフレームワークDF-PALMを紹介する。
  論文  参考訳（メタデータ） (2026-10-18T00:02:04Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
  本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。 各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。 これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
  論文  参考訳（メタデータ） (2025-11-05T06:14:19Z)
• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  Mix-upは、整合正則化に基づく半教師あり学習手法の鍵となる技術である。 本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• Universal Sound Separation with Self-Supervised Audio Masked Autoencoder [35.560261097213846]
  本稿では,音声マスク付きオートエンコーダ(A-MAE)を汎用的な音声分離システムに統合する自己教師付き事前学習モデルを提案する。 提案手法は,最先端のResUNetベースUSSモデルの分離性能の向上に成功している。
  論文  参考訳（メタデータ） (2024-07-16T14:11:44Z)
• Learning with Noisy Labels Using Collaborative Sample Selection and Contrastive Semi-Supervised Learning [76.00798972439004]
  Collaborative Sample Selection (CSS)は、特定されたクリーンセットからノイズの多いサンプルを削除する。 半教師付き学習において、対照的な損失を伴う協調学習機構を導入する。
  論文  参考訳（メタデータ） (2023-10-24T05:37:20Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)
• MIX'EM: Unsupervised Image Classification using a Mixture of Embeddings [44.29313588655997]
  教師なし画像分類のための新しいソリューションMIX'EMを提案する。 STL10, CIFAR10, CIFAR100-20データセットに関する広範な実験と分析を行った。 その結果,最先端の分類精度は78%,82%,44%であった。
  論文  参考訳（メタデータ） (2020-07-18T19:24:22Z)

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。