論文の概要: Residual Expert Routing for Text-Only Domain Adaptation of Factorized Transducer ASR

• arxiv url: http://arxiv.org/abs/2610.32637v1
• Date: Fri, 23 Oct 2026 13:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.534709
• Title: Residual Expert Routing for Text-Only Domain Adaptation of Factorized Transducer ASR
• Title（参考訳）: 因子変換器ASRのテキストオンリー領域適応のための残留エキスパートルーティング
• Abstract要約: ターゲットドメインテキスト上の因子化トランスデューサの非ブランク予測を微調整することで、そのドメインでの認識が向上するが、ソースドメインのパフォーマンスは低下する。 適応予測器は基地への残差補正となる。 ルーティングは、ソースドメイン WER をそのまま残しながら、2つの保留ドメインでテキストのみの利得を基本的に保持する。
• 参考スコア（独自算出の注目度）: 14.919476717062416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-tuning the non-blank predictor of a factorized transducer on target-domain text improves recognition on that domain but degrades performance on the source domain. A single interpolation weight between base and adapted predictors cannot resolve this: the adapted predictor helps at some prefixes and hurts at others, often within one utterance. We propose conservative residual routing: the adapted predictor becomes a residual correction to the base, and a 16k-parameter gate decides at each prefix how much of it to admit. Closing the gate reproduces the base exactly. On a 40-hour conversational corpus, routing retains essentially all of the text-only gain on two held-out domains (19.89 to 16.74, 20.91 to 16.21 WER) while leaving source-domain WER unchanged (12.90 to 12.93); the adapted predictor alone costs 1.08 WER. Routing needs no per-domain tuning on target-domain audio. Analysis reveals the gate does not behave as a simple domain-level switch: it modulates intervention through the disagreement between the two predictors, suppressing it in-domain and amplifying it out-of-domain.
• Abstract（参考訳）: ターゲットドメインテキスト上の因子化トランスデューサの非ブランク予測を微調整することで、そのドメインでの認識が向上するが、ソースドメインのパフォーマンスは低下する。 ベースと適応予測器の間の1つの補間重みは、これを解決できない:適応予測器はいくつかの接頭辞を補助し、しばしば1つの発声の範囲内で他人を傷つける。 適応予測器はベースに対する残差補正となり、16kパラメータゲートが各プレフィックスでどの程度の許容範囲を決定する。 ゲートを閉じるとベースが正確に再現される。 40時間の会話コーパスでは、ルーティングは2つの保留領域(19.89から16.74、20.91から16.21 WER)でテキストのみの利得を保ち、ソースドメイン WER (12.90から12.93) は変わらない。 ルーティングはドメイン単位のチューニングをターゲットドメインのオーディオに必要としない。 分析によると、ゲートは単純なドメインレベルのスイッチとして動作せず、2つの予測子間の不一致を通じて介入を変調し、ドメイン内を抑圧し、ドメイン外を増幅する。

関連論文リスト

• Beyond Domain-Level Adaptation: Margin-Oriented Semantic-Appearance Interaction Correction for Personalized Federated Vision-Language Models [8.463467704507478]
  フェデレートされたパラメータ効率の微調整により、分散クライアントは、生データを共有したり、フルバックボーンを更新したりすることなく、事前訓練されたビジョン言語モデルを適用することができる。 既存のパーソナライズされたメソッドは、グローバルに共有される知識をクライアント固有のスタイルと区別するが、それらは主に、各ドメインをクラスに依存しない変換として扱う。 固定領域に関連する領域間変位はセマンティッククラスによって異なり、これらのクラス領域残差のサブセットだけが画像-テキスト決定マージンを損なう。
  論文  参考訳（メタデータ） (2026-10-01T12:57:30Z)
• Learning to Adapt Cross-Domain Preferences via Meta-LoRA for LLM Personalization [36.29663071663125]
  クロスドメインのパーソナライゼーションは、少数のターゲットドメインインタラクションから、目に見えない会話ドメインでのユーザ優先応答を生成することを目的としている。 既存の適応手法は、スパースエビデンスの下で更新サイズを校正するのに苦労している。 そこで我々はPAC-Bayes-regularized Meta-LoRAを提案する。
  論文  参考訳（メタデータ） (2026-08-01T09:33:23Z)
• Chaos Is a LADDER: Domain Generalization Beyond Invariance via Reweighting [5.794007659596176]
  ドメインの一般化は、複数のソースドメインから学び、見えないターゲットドメインに一般化することを目的としている。 因果表現を学習し,エンコーダを凍結する固定モデルDGパイプラインであるLADDERを提案する。 シミュレーション, FMoW, 位置群iWildCamプロトコルにおいて, ソース再重み付けの理論的保証を確立し, LADDERの検証を行う。
  論文  参考訳（メタデータ） (2026-07-29T04:18:21Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
  ドメインシフトとアクセス不能変数の同時発生 実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。 我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。 VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T02:54:34Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)

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。