視線・頭・手と物体の配置から、次に触れる対象と動きを予測する
- 過去の視線、頭・左右の手の動き、物体情報から、将来の視線・動き・接触を予測する。
- 接触しそうな物体を先に選び、視線や身体と物体の位置関係を使って詳細な状態を予測する。
- 著者らのADT評価で接触予測APは98.56、接触状態が変わるADT-Hardでは70.49だった。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
登録語句を音声から探すDS-KWS：候補検出と発音照合を組み合わせる
- 登録語句の音素列を使って候補区間を探し、候補を音素ごとと語句全体の両方で照合する。
- 著者らのLibriPhrase-Hard評価で、DS-KWS-M2はEER 6.13%、AUC 97.85%だった。
- Hey-Snipsでは、対象語句で学習しないM2が、1時間当たり誤警報1件の条件で再現率99.13%だった。
MRSAudio：位置情報と映像をそろえた空間音声データ集の使い道と検証点
- MRSAudioは日常音・会話・歌唱・器楽演奏を含む484時間の録音データ集で、空間音声に映像、位置、内容の注釈を対応づける。
- 著者らは５課題を設定し、音の空間化の「ALL」条件でBinauralGradの位置の主観評価MOS-Pを3.94±0.07と報告した。
- 音源位置は正面側に多く、高低方向にも集中がある。導入時には対象現場の位置分布と音・映像の同期を確かめる。
胸部X線AIの集団間の性能差を、分類部分の再学習で縮める
- CNNの画像特徴を固定し、最後の分類部分をXGBoostに替えて四疾患の集団間性能差を調べた。
- 著者らはDenseNet-121とResNet-50で差の縮小を報告し、能動学習との組合せが最も大きい縮小を示したとする。
- 黒人患者の標本不足と胸部X線以外への未検証が限界であり、導入先では疾患別の見逃し率まで確認が要る。
前後輪操舵ロボットの障害物回避を学ぶ――SAC・CrossQ・HERのシミュレーション評価
- 著者らは前後輪操舵ロボットの速度指令を、SAC・CrossQ・HERを組み合わせて学習した。
- 障害物一つのシミュレーションで、目標到達率は学習時と同じ設定で97％、目標抽出の乱数を変えた設定で95％と報告された。
- 実車評価は今後の課題であり、表には接触率の集計がない。
拍節から楽句を生成し、和声の流れに沿ってつなぐ音楽生成手法「ProGress」
- 拍節から音同士の関係を作り、音階上の位置を生成した楽句を選別して、曲全体の構造に沿って連結する。
- 著者らはBachのコラールの楽句で学習し、45人の調査でBachの曲と四つの生成モデルを比較した。
- 授業用の楽譜案などへの応用には、対象曲のラベルと構造の分析例を用意し、接続の自然さを別途確かめる必要がある。
移動対象の監視期限を守りながら、稼働ロボットと充電経路を計画するLOMORO
- LOMOROは、対象ごとの観測期限と機体の資源制約を考慮し、平均稼働台数を抑えるオンライン計画法を提案する。
- 機体の担当順を探索し、対象の訪問順、交差点での観測、充電地点を経路計算に含める。
- 著者らは条件を変えたシミュレーションを報告するが、確認できた本文の範囲では比較手法別の成績は確認できない。
録音した音から場面の画像へ：SeeingSoundsの二経路の対応付け
- 音声の特徴を文章表現と視覚に結び付いた表現の双方へ合わせ、固定した画像生成モデルで画像を作る。
- 学習には音声の種類ラベルと種類ごとの説明文を使い、音と画像の対を必要としない。
- 著者らのESC-50評価ではAIC 22.60、R@5 41.35で、比較表のAudioTokenはそれぞれ9.00、22.00だった。
触覚画像を別のセンサー向けに変換し、既存のロボット操作処理へ渡す
- T2Tは同じ位置に触れたセンサー間の画像の組から直接変換を学び、T2D2は深さを介して変換する。
- 未学習の把持でSoft BubbleからGelSlimへ変換した際、PSNRはT2Tが30.92、T2D2が21.69だった。
- 鉛筆挿入の成功数はT2Tが21/30、VQ-VAEが7/30。一方、GelSlimからSoft Bubbleへの未学習の把持では、FIDはT2D2の方が低い。
訛りの判別に使われる音声成分を隠し、文字起こしモデルを追加学習する
- 訛り分類器が反応する音声の領域を特定し、そこを隠した学習例でWhisperを追加学習する方法。
- 著者らの英語の訛り付き音声評価では、Whisper tinyのWER/CERがSpecAugmentの27.0/17.8に対し23.4/15.1だった。
- ペルシャ語の地域訛りを扱うPDIDを導入し、10種類のうち3種類を評価用のみに含めた。
雑音や別の音声データ集でも感情を判別するための二段階表現学習
- 感情固有の特徴と共通の特徴を別々に学び、元の音響特徴と整列させる。
- 清浄音声で学習し、未見の雑音と別データ集で二値の覚醒度・感情価を評価した。
- 論文内の基準系よりF1値が高いが、実際の通話への適用には現場音声での確認が要る。
増え続ける研究サーベイをどう整理するか：AIの更新案を専門家が確認する共同文献集
- 著者らは、重複や不正確な引用を含むサーベイの大量投稿を問題視し、AI利用の開示と専門家による監督を提案する。
- Dynamic Live Surveysは、AIが新着資料から更新案を作り、専門家が確認する版管理付きの共同文献集という構想である。
- arXivの候補投稿10,063件を対象とした傾向調査はあるが、提案方式の運用効果は確認できた本文の範囲では示されていない。