論文の概要: NarraSpace: Multimodal Scene-Grounded Evidence for Picture-Description Dementia Classification
- arxiv url: http://arxiv.org/abs/2610.28616v1
- Date: Tue, 20 Oct 2026 17:55:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.977025
- Title: NarraSpace: Multimodal Scene-Grounded Evidence for Picture-Description Dementia Classification
- Title（参考訳）: NarraSpace: 画像記述型認知症分類のためのマルチモーダルシーンを取り巻くエビデンス
- Abstract要約: NarraSpaceは、単語と音声時間を名前付き画像要素にリンクする。
NarraSpaceは、シーンリンクされた分類インプットの構築を明示的かつ検査可能にする。
- 参考スコア（独自算出の注目度）: 7.426196918718412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Picture-description dementia classification uses a shared visual scene, but a transcript-level prediction alone does not identify the scene evidence underlying its inputs. NarraSpace links words and speech times to named picture elements and retrieves utterances for predefined scene events. Narrative-spatial descriptors summarize coverage and temporal organization. A frozen language model contrasts each event's text under examples from Alzheimer's disease and healthy-control training participants, alongside transcript surprisal and coverage measurements. Retained source records link event scores to their source utterances, speech intervals, and lexical matches. On the official 48-participant test set of the Alzheimer's Dementia Recognition through Spontaneous Speech benchmark, a fixed support vector classifier achieves $80.88\%\pm2.56\%$ mean accuracy over fifty seeds; averaged probabilities yield $81.25\%$ accuracy and $91.32\%$ area under the receiver operating characteristic curve. NarraSpace makes the construction of scene-linked classification inputs explicit and inspectable by connecting event-indexed language-model measurements to their source utterances, speech timing, and extraction records. Such source-linked measurements could support clinician review of picture descriptions by presenting quantitative summaries alongside the original speech evidence.
- Abstract（参考訳）: 画像記述型認知症分類は、共有視覚シーンを用いるが、書き起こしレベルの予測だけでは、入力の裏にあるシーン証拠を特定できない。
NarraSpaceは、単語と音声時間を名前付き画像要素にリンクし、事前に定義されたシーンイベントの発話を検索する。
物語的・空間的記述者は、カバレッジと時間的組織を要約する。
凍結した言語モデルは、アルツハイマー病や健康管理トレーニング参加者の例のように、各イベントのテキストと、書き起こしやカバレッジの測定とを対比する。
残されるソースレコードは、イベントスコアを元の発話、スピーチインターバル、語彙マッチにリンクする。
Spontaneous Speechベンチマークによるアルツハイマー認知症の公式48項目テストセットでは、固定支持ベクトル分類器は50種平均精度が80.88\%\pm2.56\%、平均確率が81.25\%、911.32\%となる。
NarraSpaceは、イベントインデクシング言語モデル計測をソース発話、音声タイミング、抽出レコードに接続することにより、シーンリンク型分類入力の構築を明確かつ検査可能にする。
このようなソースリンク測定は、元の音声証拠とともに定量的要約を提示することにより、臨床医による画像記述のレビューを支援することができる。
関連論文リスト
- When MLLMs miss what humans read: diagnosing and learning to read squint text [15.28918423627757]
我々はこのクラスを Squint Text と命名し、認識障害として研究する。
1076個の合成モデレーション画像からなるSquintBenchを紹介する。
Squint OPSD は SquintBench で 88.61 ANLS に達するが、未適応のバックボーンでは 26.50 である。
論文 参考訳（メタデータ） (2026-10-09T12:02:22Z) - A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports [58.14965296904734]
EndoCLIPは125,756の病変レベルの画像テキストペアに基づいて訓練された視覚言語基盤モデルである。
これは、ゼロショットとリニアプローブの両方の設定において、汎用およびバイオメディカルな視覚言語エンコーダよりも優れている。
論文 参考訳（メタデータ） (2026-07-30T16:24:36Z) - Infusing Acoustic Pause Context into Text-Based Dementia Assessment [7.8642589679025034]
本研究は, 認知障害のない被験者の認知状態, 軽度認知障害, およびアルツハイマー認知症を, 臨床的評価に基づいて区別するために, 言語モデルにおける停止強調文字の使用について検討した。
この性能は、ドイツ語の言語頻度テストと画像記述テストの実験を通じて評価され、異なる音声生成コンテキストにおけるモデルの有効性を比較した。
論文 参考訳（メタデータ） (2024-08-27T16:44:41Z) - Evaluating Picture Description Speech for Dementia Detection using
Image-text Alignment [10.008388878255538]
画像と記述文の両方を入力として用いた最初の認知症検出モデルを提案する。
認知症と健康なサンプルの相違を,テキストが画像と集中領域に与える影響で観察する。
本稿では,画像,サブイメージ,集中領域との関連性に基づいて,サンプルを前処理する3つの高度なモデルを提案する。
論文 参考訳（メタデータ） (2023-08-11T08:42:37Z) - Decoding speech perception from non-invasive brain recordings [48.46819575538446]
非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。
我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
論文 参考訳（メタデータ） (2022-08-25T10:01:43Z) - Automatic Dialect Density Estimation for African American English [74.44807604000967]
アフリカ・アメリカン・イングリッシュ(AAE)方言の方言密度の自動予測について検討する。
方言密度は、非標準方言の特徴を含む発話における単語の割合として定義される。
このデータベースでは,AAE音声に対する予測された真理弁証密度と地上の真理弁証密度との間に有意な相関関係を示す。
論文 参考訳（メタデータ） (2022-04-03T01:34:48Z) - Direct speech-to-speech translation with discrete units [64.19830539866072]
本稿では、中間テキスト生成に頼ることなく、ある言語から別の言語に音声を変換する直接音声音声翻訳(S2ST)モデルを提案する。
そこで本稿では,ラベルなし音声コーパスから学習した自己教師付き離散表現の予測を提案する。
対象のテキスト書き起こしが利用可能となると、同一の推論パスで2つのモード出力(音声とテキスト)を同時に生成できる、共同音声認識とテキストトレーニングを備えたマルチタスク学習フレームワークを設計する。
論文 参考訳（メタデータ） (2021-07-12T17:40:43Z) - Deep Learning for Prominence Detection in Children's Read Speech [13.041607703862724]
子どもの読書記録のラベル付きデータセットを,話者に依存しない著名単語の検出のために検討する。
事前調整されたランダムフォレストアンサンブル予測器をRNNシーケンスに置き換え、潜在的なコンテキスト依存性を利用する。
深層学習を用いて、基本周波数、強度、スペクトル形状の低レベル音響輪郭から単語レベル特徴を得る。
論文 参考訳（メタデータ） (2021-04-12T14:15:08Z) - Narrative Incoherence Detection [76.43894977558811]
本稿では,文間セマンティック理解のための新たなアリーナとして,物語不整合検出の課題を提案する。
複数文の物語を考えると、物語の流れに意味的な矛盾があるかどうかを決定します。
論文 参考訳（メタデータ） (2020-12-21T07:18:08Z) - Paragraph-level Commonsense Transformers with Recurrent Memory [77.4133779538797]
物語からコヒーレントなコモンセンス推論を生成するために,段落レベルの情報を含む談話認識モデルを訓練する。
以上の結果から,PARA-COMETは文レベルのベースライン,特にコヒーレントかつ新規な推論に優れていた。
論文 参考訳（メタデータ） (2020-10-04T05:24:12Z)
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。