論文の概要: VISH-ASR: Viterbi-Guided Selection of Hotwords for Speech-LLM Contextual ASR

• arxiv url: http://arxiv.org/abs/2610.27867v1
• Date: Tue, 20 Oct 2026 08:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.723974
• Title: VISH-ASR: Viterbi-Guided Selection of Hotwords for Speech-LLM Contextual ASR
• Title（参考訳）: VISH-ASR:音声LLM文脈ASRのためのビタビガイドによるホットワードの選択
• Abstract要約: フレームレベルのCTC後部に対する候補固有音響サポートを直接検証する,トレーニング不要なプラグアンドプレイフレームワークであるViterbi-guided Selection of Hotwords (VISH)を提案する。 VISHはBest-F1の11.7%の絶対的な改善を実現している。 これらの結果から, モデル学習を必要とせず, 高精度かつスケーラブルなホットワード事前選択に対する後層検証の有効性が示された。
• 参考スコア（独自算出の注目度）: 21.90413826594951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prompt-based contextual ASR requires selecting a compact hotword subset from large dynamic inventories, yet existing pre-selection methods rely either on discrete ASR hypotheses that may discard acoustic evidence or on separately trained retrieval models. We propose Viterbi-guided Selection of Hotwords (VISH), a training-free, plug-and-play framework that directly verifies candidate-specific acoustic support over frame-level CTC posteriors. VISH formulates pre-selection as constrained posterior search; M-VISH makes large-list verification scalable through frame-synchronous shared-prefix Viterbi search with bounded top-K pruning, while Bi-MVISH exploits complementary backward evidence for robust verification. Across five benchmarks, M-VISH achieves up to 11.7% absolute improvement in Best-F1 over a strong learned-retrieval baseline and reduces candidate-search latency by 75.2% at 2,000 candidates relative to hypothesis-based filtering. These results demonstrate the effectiveness of posterior-level verification for accurate and scalable hotword pre-selection without additional model training.
• Abstract（参考訳）: プロンプトベースの文脈的ASRは、大規模な動的在庫からコンパクトなホットワードサブセットを選択する必要があるが、既存の事前選択方法は、音響的証拠を捨てる可能性のある離散的なASR仮説か、別々に訓練された検索モデルに依存する。 フレームレベルのCTC後部に対する候補固有音響サポートを直接検証する,トレーニング不要なプラグアンドプレイフレームワークであるViterbi-guided Selection of Hotwords (VISH)を提案する。 VISHは制約付き後続探索として事前選択を定式化し、M-VISHはフレーム同期の共有プリフィックスによるビタビ検索を境界付きトップKプルーニングで拡張し、Bi-MVISHはロバストな検証のための補完的なバックワード証拠を利用する。 5つのベンチマークで、M-VISHはBest-F1の11.7%の絶対的な改善を実現し、仮説ベースのフィルタリングと比較して2000の候補に対して、候補探索のレイテンシを75.2%削減した。 これらの結果から, モデル学習を必要とせず, 高精度かつスケーラブルなホットワード事前選択に対する後層検証の有効性が示された。

関連論文リスト

• Learning from Failures: Retrieval-Centric CoT via Hard Negatives for Unified Multimodal Retrieval [17.695551248974215]
  UniME-R1は、最初に検索された候補を推論することを学ぶ組込みアドバイザフレームワークである。 UniME-R1は、強いベースライン上での検索性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-08-06T14:04:56Z)
• Candidate-Constrained Retrieval-Augmented Generation for LongEval-RAG: System Design and Empirical Analysis [1.0312968200748118]
  本稿では,LongEval-RAGのための候補制約付き検索拡張生成システムを提案する。 プライマリ・オーガナイザ・アセスメントと補足的自己生成診断プロトコルを用いて,10種類のパイプライン変異を評価した。
  論文  参考訳（メタデータ） (2026-07-04T20:07:57Z)
• Skim and Skip: Hierarchical Adaptive Inference for Efficient Multimodal Retrieval [66.50180500995627]
  Skim and Skip (SAS) は効率的なマルチモーダル検索のための階層型適応推論フレームワークである。 SASは、最終検索埋め込みに最も関係のある入力情報のみを保持するためにトークンレベルのエビデンス選択を行う。 12個のMMEB検索タスクの実験では、SASは密度の高いベースラインの平均検索性能の約99%を維持している。
  論文  参考訳（メタデータ） (2026-06-24T06:58:25Z)
• TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
  大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。 ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:07:08Z)
• UCS: Estimating Unseen Coverage for Improved In-Context Learning [24.34094317236037]
  Unseen Coverage Selection (UKS) はトレーニングなしのサブセットレベルのカバレッジであり、優れたデモセットは、現在選択されているサブセットによって明らかにされていない潜在クラスタにモデルを公開すべきである、という原則によって以前に動機付けられていた。 UCSはこのアイデアを、モデルに一貫性のある埋め込みから離散潜在クラスタを誘導し、その経験周波数スペクトルからSmoothed Good-contexting estimatorを通して、候補サブセット内の未発見クラスタ数を推定することによって運用する。 Frontier Large Language Models による複数の意図分類と推論ベンチマークの実験により、UCS による強いベースラインの強化により、ICL の精度は最大で 2-6% 向上することが示された。
  論文  参考訳（メタデータ） (2026-04-13T20:00:41Z)
• Adaptive Greedy Frame Selection for Long Video Understanding [11.923839324117674]
  大規模視覚言語モデル(VLM)は、長ビデオ質問応答にますます応用されている。 推論は入力フレームの数と結果の視覚トークンによってボトルネックとなることが多い。 固定フレーム予算下でのクエリ関連性とセマンティックな表現性を協調的に最適化する問合せ適応型グレディフレーム選択法を提案する。
  論文  参考訳（メタデータ） (2026-03-20T17:55:32Z)
• RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval [99.33724613432922]
  本稿では,ビデオ検索のための推論に基づくリランカであるRANKVIDEOを紹介する。 RANKVIDEOは、関連性を評価するためにビデオコンテンツを使用するクエリ-ビデオペアを明示的に理由付けている。 大規模なMultiVENT 2.0ベンチマークの実験では、RANKVIDEOは2段階のフレームワーク内での検索性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-02-02T18:40:37Z)
• Two Heads Are Better Than One: Audio-Visual Speech Error Correction with Dual Hypotheses [71.34350093068473]
  本稿では,音声視覚音声認識(AVSR)における生成誤り訂正(GER)フレームワークの新たなパラダイムを提案する。 我々のフレームワークであるDualHypは、独立した自動音声認識(ASR)モデルと視覚音声認識(VSR)モデルから独立したN-best仮説を構成するために、大規模言語モデル(LLM)を強制する。 我々のフレームワークは、標準のASRベースラインよりもLRS2ベンチマークで57.7%のエラー率を獲得していますが、シングルストリームのGERアプローチでは10%のゲインしか達成できません。
  論文  参考訳（メタデータ） (2025-10-15T08:27:16Z)
• PromptGuard at BLP-2025 Task 1: A Few-Shot Classification Framework Using Majority Voting and Keyword Similarity for Bengali Hate Speech Detection [0.0]
  BLP-2025タスク1Aはベンガルのヘイトスピーチを6つのカテゴリーに分類する必要がある。 従来の教師付きアプローチでは、低リソース言語には高価なラベル付きデータセットが必要である。 PromptGuardを開発した。これは,キーワード抽出のためのカイ二乗統計解析と,意思決定のための適応的過半数投票を組み合わせたフレームワークである。
  論文  参考訳（メタデータ） (2025-10-10T18:30:27Z)
• Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
  情報検索対話システムは電子商取引システムで広く利用されている。 クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。 関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
  論文  参考訳（メタデータ） (2024-03-22T08:10:32Z)

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。