Perch 2.0は動物の鳴き声をどう識別するか：評価結果と現地導入の確かめ方
- Perch 2.0は４つのデータ集の計1,542,778件を使い、鳥類以外も含む動物音から種などの予測と転用向けの特徴量を作る。
- 著者らのBirdSet評価では、ランダム区間選択版のAUROCは0.908で、同表のPerch 1.0は0.839だった。
- 現地導入には、対象地域で鳴いた時刻を確認した種ラベルを用意し、見逃し、誤検出、確認作業量を測る必要がある。
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。
文章や音声で操作しながら音楽を流すMagenta RealTime：仕組みと評価範囲
- Magenta RealTimeは文章や音声でスタイルを指定し、直前10秒を参照しながら2秒単位で音楽を連続生成する。
- 47秒の固定文章による器楽曲評価では、FDopenl3とKLpasstは比較した2モデルより低く、CLAPscoreは両モデルの間だった。
- イベントで使う場合は、操作から音の変化までの時間、途切れ、場面転換の自然さを別途測る必要がある。
事故報告の文章から二次事故を判定する：ケンタッキー州の記録で比較
- 人手で確認した事故記述文16,656件のうち、3,803件が二次事故と判定された。
- 2022年の1,771件を使った試験で、RoBERTaはF1値0.90、正解率95％だったと著者らは報告する。
- LLaMA3:70BはF1値0.86で推論に139分を要した。導入先では判定性能と処理時間の両方を測る必要がある。
利用日時を区切らずに学ぶ推薦モデル、将来の予測精度は別途検証が必要
- DTFは利用日時を区間に分けず、多項式で滑らかに変わる時間因子を学び、指定時刻の推薦スコアを出す。
- 著者らはFood.com、Netflix、H&Mの履歴を比較に使い、時間を明示的に扱うモデルが商品人気の変化を捉えたと報告する。
- 未見のテスト期間では、直近の人気を使った事後調整が最良となる場合が多い。確認できた本文の範囲では指標別の得点は確認できない。
偽音声を作ったモデルを言語をまたいで特定するための評価基準
- 研究対象は偽音声の真偽判定ではなく、その音声を作った生成モデルの特定である。
- 同じ言語内と異なる言語間、未見の言語・話者での評価を扱う。
- 確認できた本文の範囲にはデータ規模や精度の数値がなく、方式の優劣は判断できない。
映画推薦で音・映像・説明文の組み合わせを比べる共通基盤
- 視聴履歴と映画の音・映像・文章の特徴量を作品IDでそろえ、結合方法を切り替えて比較する基盤である。
- 著者らは文章情報の補完が新規作品の推薦率や作品網羅率に有利と報告する。
- 確認できた本文の範囲では改善幅の数値は確認できず、導入先のデータで比較が必要である。
大学教員の検索結果に性別差はあるか――Googleと学術出版物データベースの公平性監査
- 著者らは、検索結果が現実の性別分布を映し、既存の差を増幅しないかを調べる公平性の基準を定義した。
- ドイツの大学教員について、Googleの先頭100件、学術出版物データベース、大学の紹介ページを調査した。
- 著者らは明白なアルゴリズム上の差別を観察しなかった一方、検索件数、出版物記録の対応、可視性のばらつきに性別による差を報告した。
AI生成音楽への感情反応を、携帯型の脳波・光計測と本人評価で調べる
- 感情・楽器・場面を指定して音楽を生成し、試聴者の評価で実験に使う曲を選ぶ。
- 携帯型ヘアバンドでEEGとfNIRSを同時記録し、聴いた本人の快感度と覚醒度を信号のラベルにする。
- 著者らは236曲から101曲を選び、最初の20人で約14時間、拡張後の44人で計1760分の信号を収集したと報告する。
複数のAI担当者に防御を学習させるEvo-MARL：攻撃成功率と回答精度を検証
- Evo-MARLは、複数のタスク担当エージェントに回答作成と攻撃への対処をともに学習させる。
- 攻撃文は変異・交叉と選別で更新し、強化学習では防御側の共有方策を更新する。
- 著者らの表の1.5B構成では、HarmBenchの攻撃成功率が69％から48％、MATHの正答率が43％から48％に変化した。
大量の人物記録を照合するMERAI：候補の絞り込みから記録群の作成まで
- MERAIは記録の整理、比較候補の抽出、一致確率の推定、記録群の作成を一続きで行う。
- 著者らはDedupe、Splinkより高いF1スコアと最大1570万件の処理を報告するが、確認できた本文に結果の実数値はない。
- 候補群の大きさに上限を設けるため、導入時には誤結合に加えて一致組の見逃しを測る必要がある。
無害な音声から有害な返答を引き出す二段階攻撃「WhisperInject」
- WhisperInjectは、対象モデル自身が生成する有害な返答を探し、無害な音声をその返答に向けて加工する二段階の攻撃手法。
- 著者らは三つの音声言語モデルで、StrongREJECTによる平均86.00％の攻撃成功率を報告した。
- 実験は対象モデルの勾配にアクセスできる条件で行われた。実際の音声入力経路での結果は別途検証が必要。
重要な点を残して3Dシーンを圧縮するSA-3DGS
- 点ごとの重要度を画像再現から学び、不要な点を削除して色の特徴量を共有値に圧縮する。
- Deep Blendingでは著者らの比較で664MBから10.0MBとなり、PSNRは29.42から29.97へ上がった。
- Mip-NeRF 360では容量を減らす一方でPSNRが下がっており、用途別の画質確認が必要である。