音楽の購入履歴で映画候補を並べる：LLM4CDRの分野横断推薦
- LLM4CDRは、推薦先で購入履歴がない利用者について、別分野の履歴と候補商品名から候補の順位を作る。
- 著者らのCD・レコードから映画・テレビ番組への実験では、GPT-3.5のMAP@1が履歴なし0.1996から履歴あり0.3279になった。
- 評価は絞った候補一覧の並べ直しであり、分野の組み合わせによっては履歴を加えると指標が低下した。
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。
非母語話者の英語音声を５つの音声認識で比較：読み上げと自由発話で異なる結果
- ５つの音声認識システムを、６種類の第一言語を持つ非母語話者の英語音声で比較した。
- 著者らの報告では、読み上げの平均MERはWhisperが0.054、AssemblyAIが0.056で最良、自由発話ではRevAIが0.063で最良だった。
- 非流暢性の扱いはシステムと種類で異なり、処理時間の長さは精度の高さと必ずしも一致しなかった。
視聴時間や「いいね」の偏りを条件別に調整する動画推薦手法
- 動画の長さなどの条件別に予測行動の分布を推定し、分位点を使って推薦スコアを調整する。
- 連続値の分位点変換には、論文の前提に基づく独立性の証明がある。二値の反応と平均値調整には同じ保証は示されていない。
- 著者らは２サービスでアクティブ日数の累積改善を報告した。Liteの平均利用時間の累積値は、本文と表の段階別数値が一致しない。
作業姿勢を連続評価し、ロボットの役割変更につなぐ協働作業システム
- 映像による物体・姿勢・動作認識を、連続的な身体負担評価とロボットの役割判断へつなぐ。
- 著者らは把持意図の認識精度92.5％、負担区分の平均処理時間0.57秒を報告する。
- 実際の工程では、姿勢の見逃しと認識から判断までの全体時間を測る必要がある。
検知器をすり抜ける異常を生成し、次の学習に戻すSwift Hydra
- 強化学習で検知器が見逃しやすい合成異常を探し、訓練データへ戻す。
- 推論には複数の小さなMamba専門モデルから関連するものを選ぶ構成を使う。
- 著者らはADBenchの57データセットで優位性を報告するが、確認できた本文には比較数値がない。
電子カルテの培養検査を薬剤耐性研究につなぐデータセット「ARMD」
- ARMDは、二つの大学関連病院の成人患者について、15年超の電子カルテ記録を基にした、個人を識別しにくくした研究用データセットである。
- 菌の同定結果、55種類の抗菌薬に対する感受性の傾向、感受性に関する規則、関連する臨床・人口統計情報を扱う。
- 確認できた本文の範囲では、症例数や欠測率、予測性能、臨床効果を示す比較評価は分からない。
対象言語の発話を学習せずに文字起こしするZero-AVSR
- 対象言語の発話データを学習に使わず、ローマ字表記と対象言語の文字データを通じて音声映像から文字起こしを行う。
- 著者らが構築したMARCは、82言語・2,916時間の音声映像と、元の文字およびローマ字表記の書き起こしを含む。
- MuAViCの未学習言語評価では、統合方式の文字誤り率はスペイン語19.7％、アラビア語76.5％で、言語による差がある。
回答中に検索を呼ぶ方法を学ぶR1-Searcher：二段階の強化学習と複数資料を使う質問応答
- 回答中に検索語を出して外部文書を取得し、その内容を読んで推論を続ける。
- 学習では、まず検索の実行と形式を促し、次に正解回答との一致を促す。
- 表2のQwen版はHotpotQAのACC_Lが0.750だったが、Bamboogleでは比較対象のReARTeRと同じ0.544だった。
無音の発話動画から声を合成するDiVISe：聞き取りやすさと話者らしさを検証
- 無音の発話動画からメルスペクトログラムを予測し、聞ける音声波形へ変換する。推論時に別録りの話者音声は使わない。
- 著者らのLRS3・433時間条件での再実装比較では、SECSはReVISEの0.5384に対しDiVISeが0.6242、WERは36.03に対し35.68だった。
- 著者らのLRS3実験では、音声と映像による事前学習を外すとDiVISeのWERが35.68から93.98へ悪化した。
「ささやく」「鼻にかかる」声を指定する音声合成向けデータを拡張
- ParaSpeechCapsは話者固有と発話ごとの特徴を含む59種類の音声スタイルタグを扱う。
- 著者らの音声合成評価では、基準モデルに対しスタイル一致度の平均評点が3.55から3.83、自然さが3.10から3.58になった。
- タグ判断の主観性、聞き取りやすさ、日本語など英語以外への適用は別途確認が必要である。
脳波と音声を照合し、聞いている話者を1秒単位で推定する
- 改良版SincNetと対照学習で脳波と注目中の音声を対応づける。
- 著者らの報告では、1秒窓の平均正解率はKULで78.3％、DTUで92.2％。
- 側頭部付近の6電極でも64電極と同等またはそれ以上の性能だったと報告する。
自動運転の引き継ぎで起きる運転者の誤用を、走行シミュレーターで検討する
- 車線変更中に車線標示が欠け、運転者への引き継ぎが必要になる場面を走行シミュレーターに実装した。
- 画面表示と警告音による引き継ぎ要請を設け、運転者の操作とシステムの状態遷移を扱う。
- 静止式シミュレーターを使った試験方法の例であり、表示が誤用を減らす効果の定量評価は示されていない。