論文の概要: A Human-Verified AI Workflow for Annotating Environmental Sound Data

• arxiv url: http://arxiv.org/abs/2611.03271v1
• Date: Mon, 02 Nov 2026 15:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:26:50.460989
• Title: A Human-Verified AI Workflow for Annotating Environmental Sound Data
• Title（参考訳）: 環境音データアノテートのための人間検証AIワークフロー
• Abstract要約: 本稿では,ケニアフォレスト・サウンド・データセットのアノテーションに使用されるヒューマンAIワークフローの開発と評価について述べる。 我々は、ゼロショット分類、特徴に基づくアンサンブル、微調整オーディオスペクトログラム変換器(AST)について検討した。 ASTは89.36%の精度、85.98%の精度、89.24%のリコール、87.58%のF1を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large-scale annotation of environmental sound recordings presents significant challenges under time and resource constraints, particularly when sound categories are imbalanced and only part of a dataset has been labeled. This paper describes the development and evaluation of a human-AI workflow used during annotation of the Kenya Forest Sounds Dataset (KFSD), using a project-stage working collection of 7,531 audio recordings across 21 categories. We investigated zero-shot classification, a feature-based ensemble, and a fine-tuned Audio Spectrogram Transformer (AST). The fine-tuned AST achieved 89.36% accuracy, 85.98% precision, 89.24% recall, and 87.58% F1 on held-out test data for binary classification of Person talking. Because this result remained below the predefined 95% threshold for autonomous annotation, model predictions were used as suggestions and subjected to human verification. Of the 5,026 initially unlabeled recordings, 2,337 were routed to a speech-verification queue and 2,689 remained for ordinary manual annotation. The verifier reviewed all 2,337 machine-labeled files and detected zero false positives, yielding 100% verification accuracy. The observed average verification time was approximately 4.2 seconds per file. At an average rate of 35 seconds per file for manual annotation, the hybrid workflow reduced work on the remaining queue from approximately 48.9 to 28.9 person-hours, saving about 20.0 hours (41%). The study documents the model-selection process, provenance-aware file organization, verification procedure, observed errors, practical limitations, and opportunities for extending AI assistance beyond one category.
• Abstract（参考訳）: 環境音の大規模アノテーションは、特に音のカテゴリーが不均衡であり、データセットの一部だけがラベル付けされている場合、時間と資源の制約の下で重要な課題を示す。 本稿では,KFSD (Kenya Forest Sounds Dataset) のアノテーションに使用するヒューマンAIワークフローの開発と評価について,21のカテゴリにまたがる7,531のオーディオ録音のプロジェクトステージ・ワーク・コレクションを用いて述べる。 ゼロショット分類,特徴に基づくアンサンブル,微調整されたオーディオスペクトログラム変換器(AST)について検討した。 微調整されたASTは89.36%の精度、85.98%の精度、89.24%のリコール、87.58%のF1を達成した。 この結果は、自動アノテーションの95%のしきい値以下であったため、モデル予測は提案として使われ、人間の検証の対象となった。 5,026件の録音のうち2,337件は音声検証キューにルートされ、2,689件は通常の手書きの注釈として残った。 検証者は2,337の機械ラベル付きファイルをすべてレビューし、偽陽性をゼロに検出し、100%の検証精度を得た。 平均検証時間は1ファイルあたり約4.2秒であった。 手動のアノテーションのためのファイルあたりの平均35秒の速度で、ハイブリッドワークフローは残りのキューの作業時間を約48.9時間から28.9時間に短縮し、約20.0時間 (41%) 節約した。 この研究は、モデル選択プロセス、証明対応ファイル組織、検証手順、観察されたエラー、実用的な制限、AI支援を1つのカテゴリを超えて拡張する機会について文書化している。

関連論文リスト

• Benchmark of THReD: Evaluating an LLM Agent and Its Preprocessing Tools for Turning Electronic Health Records into AI-Ready Datasets [0.0]
  我々は、電子健康記録抽出をチャットエージェントを介してAI対応データセットに変換するシステムTHReDのベンチマークを報告する。 エージェントベンチマークには、目標レベルの要求、障害回復、アクションなし要求の呼び出し、スキーマのバリエーション、データへのインジェクションのプロンプトを含む7つのカテゴリで141のタスク(100のテンプレート)がある。 配備されたエージェントは、最初の回答で92.7%のタスクを完了し、すべてのアドバイス要求を断念し、注入されたすべての障害から回復し、植字されたテキストから要求されたアクションは提案しなかった。
  論文  参考訳（メタデータ） (2026-11-02T03:58:54Z)
• A Hierarchical Method for Environmental Sounds Recognition in Complex Acoustic Scenes [3.4694144505750715]
  本稿では、周波数時間適応ネットワーク(FTANet)と2段階分類機構を組み合わせた軽量階層モデルを提案する。 FTANetは音を25のきめ細かいクラスを含む5つの粗いカテゴリに分類する。 自己構築されたデータセットでは、FTANet は 95.45% の粗い精度を達成し、パラメータは 0.2004M のみである。
  論文  参考訳（メタデータ） (2026-10-26T06:58:45Z)
• VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
  トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。 一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。 提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
  論文  参考訳（メタデータ） (2026-10-15T14:34:44Z)
• SerenAI: State-transition system inspired by text-based world AI models [0.0]
  我々は、単にテキストではなく、検証可能な予測を出力するSerenAIと呼ばれるテキストベースのシステムを実証する。 本モデルでは,2段階の適応訓練,すなわちパラメータ効率のよい微調整,および5万以上の原因効果に基づく検証RLを用いる。 8Bオープンウェイトベースラインの最初の内部評価と比較すると、SerenAIは85.0%から93.2%に、55.0%から84.0%に、正確な構造化出力マッチを0.0%から41.5%に、因果デルタの正確な一致を0.0%から41.5%に、その結果状態の正確な一致を0.0%から41.5%に引き上げた。
  論文  参考訳（メタデータ） (2026-09-06T14:57:18Z)
• Hierarchical Online Prompt Mutation with Dual-Loop Feedback for Guardrailed Evidence Document Generation: A Production-Evaluation Case Study [0.0]
  HOPMは階層的なオンラインプロンプト突然変異フレームワークである。 本論文は、制御設定、サンプルサイズ、信頼区間、ペアテスト、プロンプトトークンカテゴリ、擬似コード、スキーマ、ルーリック、ガードレール分類、構築された例を含む。
  論文  参考訳（メタデータ） (2026-05-31T22:17:44Z)
• Large Language Model-Powered Query-Driven Event Timeline Summarization in Industrial Search [49.02761046363752]
  本稿では、Baidu Search上にデプロイされた実運用システムであるQDET(Query-Driven Event Timeline Summarization)を紹介する。 QDETは、毎日取得された数百万のドキュメントによって形成されたノイズの多い候補セットから、クエリに密接に関連するサブイベントを特定し、整理する。 Baidu SearchのオンラインA/Bテストでは、現実世界の有効性が検証され、CTRが5.5%改善し、居住時間が4.6%長く、4.4%深かった。
  論文  参考訳（メタデータ） (2026-05-26T14:16:27Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• Face: Fast, Accurate and Context-Aware Audio Annotation and Classification [1.4610038284393165]
  本稿では,特徴選択と分類のための文脈認識フレームワークを提案し,高速かつ正確な音声イベントアノテーションと分類を実現する。 特徴選択のための探索は、音声テンポ表現の調査も取り入れている。 提案手法は,UrbanSound8Kデータセット上で98.05%の平均予測精度を得た。
  論文  参考訳（メタデータ） (2023-03-07T06:04:58Z)
• Detecting Errors and Estimating Accuracy on Unlabeled Data with Self-training Ensembles [38.23896575179384]
  本稿では,この2つの課題に同時に対処する,原則的かつ実用的な枠組みを提案する。 1つのインスタンス化は、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。 iWildCamでは、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。
  論文  参考訳（メタデータ） (2021-06-29T21:32:51Z)

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。