論文の概要: A Systematic Comparison of Search Space Complexity and Efficiency for Time-Synchronous End-to-End ASR Models

• arxiv url: http://arxiv.org/abs/2610.31259v1
• Date: Thu, 22 Oct 2026 13:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.387406
• Title: A Systematic Comparison of Search Space Complexity and Efficiency for Time-Synchronous End-to-End ASR Models
• Title（参考訳）: 時間同期終端ASRモデルにおける探索空間の複雑度と効率の体系的比較
• Abstract要約: 検索は自動音声認識(ASR)システムの中心的なコンポーネントである。 現在のシーケンス・ツー・シーケンスのASRアーキテクチャでは、外部言語モデル(LM)を使わずに小さな固定サイズのビームサーチに単純化されることが多い。 これらのエンド・ツー・エンド(E2E)モデルは、ほとんどの場合、小さな検索空間で動作するが、不確実な期間に仮説数に大きな一時的なピークが現れる。
• 参考スコア（独自算出の注目度）: 17.001376083950948
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Search is a central component of Automatic Speech Recognition (ASR) systems and has been deeply investigated for classical ASR modeling based on Hidden Markov Models (HMMs). However, in work on current sequence-to-sequence ASR architectures it is often simplified to a small fixed-size beam search without external Language Model (LM). In this work, we present a comparative analysis of search space complexity and efficiency for Connectionist Temporal Classification (CTC) and neural transducer models under different pruning strategies and LM configurations. We show that these end-to-end (E2E) models work with a small search space most of the time but exhibit large temporary peaks in hypothesis count during periods of uncertainty. Score-based pruning dynamically adapts the search to model uncertainty, leading to a significantly lower Real-Time Factor (RTF). Our results highlight the limitations of search with low fixed-size beam pruning and provide practical guidelines for efficient search in E2E ASR.
• Abstract（参考訳）: 検索は,隠れマルコフモデル(HMM)に基づく古典的ASRモデリングにおいて,ASR(Automatic Speech Recognition)システムの中心的な構成要素である。 しかし、現在のシーケンス・ツー・シーケンスのASRアーキテクチャでは、外部言語モデル(LM)を使わずに小さな固定サイズのビームサーチに単純化されることが多い。 本研究では,接続時間分類(CTC)とニューラルトランスデューサモデルに対して,異なるプルーニング戦略とLM構成の下での探索空間の複雑さと効率の比較分析を行う。 これらのエンド・ツー・エンド(E2E)モデルは、ほとんどの場合、小さな検索空間で動作するが、不確実な期間に仮説数に大きな一時的なピークが現れる。 スコアベースのプルーニングは、不確実性をモデル化するために探索を動的に適応させ、RTF(Real-Time Factor)を著しく低下させる。 本研究は,E2E ASRにおける低ビームプルーニングによる探索の限界を強調し,効率的な探索のための実用的なガイドラインを提供する。

関連論文リスト

• MOT-SR: Multi-Objective Tool-Augmented Scientific Equation Discovery with Large Language Models [23.532834629603798]
  シンボリック回帰(SR)は、観測データから解析方程式を発見することを目的としている。 我々はMOT-SR(Multi-Objective Tool-augmented Symbolic Regression)を提案する。 MOT-SRは外部分析ツールを統合し、構造的先行点を抽出し、導出方程式を生成する。
  論文  参考訳（メタデータ） (2026-07-31T15:52:07Z)
• StarOR: Synergizing Tree Search and Test-Time Reinforcement Learning for Optimization Modeling [13.71352763893512]
  本稿では,MCTSとTest-Time Reinforcement Learningを結合した探索適応フレームワークであるStarORを提案する。 StarORはモデリングプロセスを4段階に分解し、各非終端ノードでGRPOを介して一時的なLoRAアダプタを更新する。 5つのベンチマークで実験したところ、StarORは4Bバックボーンでも最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-06-13T08:46:13Z)
• DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting [6.800568640042171]
  時系列予測は、金融、気象学、エネルギーといった分野において重要である。 本稿では,これらの課題に対処する動的意味圧縮(DySCo)フレームワークを提案する。 DySCoは汎用的なプラグイン・アンド・プレイモジュールとして機能し、主要なモデルが長期的相関を捉える能力を大幅に強化する。
  論文  参考訳（メタデータ） (2026-04-01T12:40:23Z)
• Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series [36.94429692322632]
  本研究では,変化点に基づく統計的特徴,クラスタリングに基づくサブ構造表現,およびハイブリッド学習戦略が検出性能に与える影響を評価する。 アンサンブルは0.976のAUC-ROC、F1スコア0.41のAUC-ROC、および定義された時間窓内での早期検出を100%達成した。
  論文  参考訳（メタデータ） (2025-10-30T05:39:44Z)
• Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
  線形木探索はLarge Language Model (LLM) 研究の基盤となっている。 本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T03:29:18Z)
• A2R: An Asymmetric Two-Stage Reasoning Framework for Parallel Reasoning [57.727084580884075]
  モデルポテンシャルと実際の性能の間のギャップを埋めるために設計された非対称な2段階推論フレームワーク。 A2R-Efficientは、Qwen3-4BとQwen3-8Bシンセサイザーを組み合わせた「小型から大型」の派生型である。 その結果、A2Rはパフォーマンス・ブートスティングのフレームワークであるだけでなく、現実世界のアプリケーションに対して効率的かつ実用的なソリューションであることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T08:27:03Z)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)

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。