受講候補を修了・離脱までの時間で並べ替える講座推薦
- 受講登録から選んだ講座候補を、修了・離脱までの時間に関するリスク予測で再順位付けする。
- 修了と離脱を別々に予測し、両方を使う場合は二つの順位を平均する。
- 著者は３データセットで推薦指標の改善を報告するが、確認できた本文に結果表の数値はない。
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。
東南アジア訛りの管制音声に合わせてWhisperを追加学習する
- 著者らは東南アジア訛りの管制音声でWhisperを追加学習し、sea-smallの単語誤り率0.0982を対象地域の試験データで報告した。
- sea-smallの単語誤り率はATCOSIMで0.5111、ATCO2で0.5735となり、対象地域以外への適用には再評価が必要である。
- 訓練録音への応用を試すなら、対象の無線音声と正解文を用意し、重要語の誤記と教官の修正時間も測る。
画像・言語モデルに音声を接続するNexus-O：会議録音と共有画像を扱う仕組み
- Qwen2.5-VL-7Bを土台に音声の入力部と出力部を加え、音声・画像・動画・文章を組み合わせて扱う。
- 著者らのLLaMA Q.英語音声質問応答では正答率67.33％で、比較対象のMiniCPM-o2.6-7Bは61.00％だった。
- Nexus-O-audio音声認識テスト群での中国語CERは11.82、英語WERは12.32。会議への適用には対象データでの確認が要る。
評価基準ごとの利用者・項目グラフから評点を予測するD-MGAC
- D-MGACは基準別評点を利用者と項目のグラフに表し、基準内と全基準にまたがる関係から項目評点を予測する。
- 著者らはベースラインより高い予測精度を報告するが、確認できた本文の範囲には指標名や数値がない。
- 概要は実データセット二つと記す一方、導入部には三つのデータ名があり、各データの実験上の役割は確認できない。
音素の位置を粗く示し、話者の声で英語を読み上げるS-DiT
- 各音素の発音区間に一つだけ位置の目印を置き、細かな文章と音声の対応は生成器に学ばせる。
- 著者らのLibriSpeech test-cleanでの報告値は、単語誤り率1.82％、話者類似度SIM-Oが0.71。
- 文章と話者音声の影響を別々に調節でき、高速版では生成の反復を25回から8回に減らしたと報告する。
NotaGen：時代・作曲家・編成を指定してクラシック楽譜を生成する
- NotaGenは160万曲で事前学習し、時代・作曲家・編成のラベルを付けた8,948曲で追加学習して、ABC形式のクラシック楽譜を生成する。
- CLaMP-DPOは、同じ条件の実作品との特徴の近さで生成曲の上位・下位各10％を選び、人手の選好注釈なしでモデルを更新する。
- 著者らの評価では3回の最適化で平均CLaMP 2スコアが3モデルとも上昇した一方、MuPTの小節長の不整合は増えた。
周囲の騒音を音楽で覆うため、帯域ごとの音量を予測して調整する
- 楽曲と騒音の帯域別特徴から調整量を予測し、音楽が騒音を覆いやすいようフィルターをかける手法。
- DNS Challengeの騒音とFMAの楽曲からヘッドホンでの聴取を模した音声対を作り、NMRとGLDで評価した。
- 著者らは、音の強さの変化の許容値が2または1 dBAの設定で、比較対象より広帯域のNMRとGLDが良かったと報告した。
心音を二種類の画像に変え、ViTとCNNの予測を統合するENACT-Heart
- 心音からスペクトログラムと波形・スペクトル重心のグラフを作り、ViTとCNNの予測を重み付きで統合する。
- 著者らは処理済みPASCALデータの五分類で正解率97.52%を報告し、同研究のViT単独93.88%、CNN単独95.45%を上回った。
- 患者単位の評価分割と重みの選択方法は確認できず、現場の録音への適用には別途検証が必要である。
誤答の「正解らしさ」を点数化するPlausibleQA：選択肢作成に向けた質問応答データ
- PlausibleQAは一万問に対し十万の誤答候補を収録し、候補と候補同士の比較に計百万件の理由を付けている。
- 各候補には一括採点と二者比較に基づく正解らしさの点数があり、誤答の紛らわしさを調べられる。
- 確認できた本文には点数間の相関と人手評価の設計があるが、四択問題での正答率などの数値結果は含まれない。
検索時に関係の経路を指定し、内容も使って類似対象を探すHetFS
- HetFSは、検索時に指定されたメタパスに沿って対象間の類似度を計算する。
- 接続情報に加え、対象の内容、重要度、関係の寄与、関係別の隣接数を反映する。
- 著者らは既存法を上回ると述べるが、確認できた本文には比較数値や実験条件がない。
新着商品のクリック予測を、生成モデル間の不確かさから改善するCREU
- CREUは複数のCVAEで新着商品の数値表現を作り、モデル間の出力分布から推定した不確かさを抑えて学習する。
- MovieLens-1Mの履歴が最も少ない段階では、DeepFMを使うCREUのACCは74.36%、AUCは63.85%だった。
- 結果表にはCREUが最高値でない条件もあり、本文の「全条件で優位」という記述とは一致しない。
音声コーデックの量子化前の表現を使い、雑音を抑える音声強調法
- DACの量子化前にある連続表現を修正し、雑音入り音声を強調する。
- 残響なしのDNSテストで、演算量は本手法3.94 GMAC、Sepformer Cloud 69.29 GMAC。DNSMOSの総合値OVLはそれぞれ3.128、3.340だった。
- DACを含む実時間係数0.005は単一のA100 GPUで測った値で、実際の通信を含む遅延は別途検証が必要である。