商品広告の候補検索を、検索結果の不足に応じて切り替えるSMART
- 全利用者に履歴由来の語句でBM25検索を行い、結果の不足に応じてLLMの語句によるANN検索を追加する。
- 著者らのオフライン評価では、利用者の10％に追加検索するとCatRecall@200は56.0％から56.6％、Relevance Scoreは1.95から2.36になった。
- Snapでの２週間のA/B試験では、既存の埋め込みモデルによる検索に対し、広告コンバージョン率が相対値で27.6％上がったと報告された。
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。
音声付き動画の編集をどう測るか：AVE-CompassとAVE-Agent
- AVE-Compassは145本の元動画、196件の編集指示、2,688件の確認項目で音声付き動画の編集を評価する。
- 著者らの評価では、AVE-Agent（Wan）の総合Editing Intentは59.8で、Wan2.7の42.4を上回った。
- AVE-Agent（Wan）のAV SyncはWan2.7を上回った一方、発話課題のSpeech Qualityは下回った。
音声を与えた拡散言語モデルは、約8回の並列処理で文字起こしできるか
- 固定したWhisper-smallとDiffusionGemmaを、学習可能な音声変換器と低ランクアダプターで接続する。
- 音声を参照できず学習が停滞する問題に対し、CTC損失で音声の変換器を直接指導する。
- 著者らはLibriSpeech test-cleanの100発話で単語誤り率6.6％、FLEURS英語150件で8回の反復時に同15.7％を報告した。
検索・推薦の特徴処理を設定で共通化するPrompt Generation
- PGは二つのJSON設定を学習とオンライン配信で共有し、特徴処理をモデルの構造から切り離す。
- 著者らは淘宝検索・推薦と三つの公開ベンチマークで、設定の適応によるオフラインの検索・取得品質の改善を報告した。
- 淘宝検索のオンラインA/Bテストでは、取引件数が0.47％、GMVが0.51％増加したと著者らは報告する。
音楽の生成中に識別情報を埋め込むMusicMark
- MusicMarkは、歌詞と曲調の指定から音楽を生成する途中で、識別メッセージを潜在表現へ組み込む。
- 著者らの表では、20種類の攻撃時平均のBitはMusicMarkが0.987、AudioSeal-Mが0.743だった。
- 導入判断には、対象の楽曲と変換条件で、読み取り失敗、誤検出、音質への影響を同条件で測る必要がある。
ニュース推薦のカテゴリ構成を目標に近づけるNAILS
- NAILSは既存の推薦確率をカテゴリ別に補正し、利用者全体の推薦結果を目標比率へ近づける。モデルの再学習は要しない。
- EB-NeRDの上位10記事の評価では、編集目標に対するNAILSのKL@10は改善したが、同じ調整係数のCaliRecの方が目標比率に近かった。
- 補正は近似であり、目標比率への厳密な一致と実環境での長期的な効果は確認されていない。
新しさと読者の履歴で記事を並べる、学習不要のニュース推薦「ZoRRO」
- ZoRROは公開後の経過時間とクリック履歴との記事間類似度で順位を付け、推薦器を学習しない。
- EB-NeRD大規模版の非公開テストではAUCが63.80で、NRMSの62.46を上回った。
- 実サイトのA/B試験ではクリック率がZoRROで4.19%、NRMSで4.33%。上位5件の話題分布も異なった。
多言語の質問句はLLMの文書関連度判定をどう変えるか
- 著者らはTREC-DL 2022の候補文書に8言語で語句や命令を挿入し、LLMによる関連度判定への影響を調べた。
- PromptArmor適用後も、質問の言い換えや無関係な攪乱文による偽陽性が報告された。
- 非挿入時の誤判定率は表1と本文で食い違い、基準値との差の解釈には確認が必要である。
歌声合成はジャンルごとに歌い分けられるか：MMGenreによる10ジャンルの評価
- MMGenreは10の主要ジャンルと26のサブジャンルにわたる、中国語の楽譜・歌声3,152組の評価用データである。
- 著者らが評価した8モデルでは、多くの非Popジャンルで指定ジャンルとの一致度が低く、合成歌声の音響表現もジャンル間で重なった。
- Rockでは推論時の指定による改善は小さく、評価用データと重ならない生成データ2時間での追加学習ではGCS-5が1.5から4.9に上がった。
SPEAR：Unreal Engineの操作と画像取得をPythonから行うシミュレーター
- SPEARはUEの反射機構を使い、UE関数14,485件をPythonから利用できるようにしたと著者は報告する。
- 著者は1920×1080画素の画像をNumPy配列へ毎秒73フレームで描画したと報告するが、速度比較表の全体と測定条件は照合できない。
- ロボット認識への利用には、実写真と正解ラベルを用意し、実写真上の認識精度で生成画像の効果を確かめる必要がある。
マイコン向け線分検出MiLSD：出力形式と量子化が精度に与える影響
- MiLSDは線分を中心・長さ・角度で表し、小型ネットワークで検出する。
- 著者らはShanghaiTech Wireframeで、活性化メモリ0.25 MBの構成のsAP10を10.6、1 MB以内の構成を24.1と報告した。
- 4ビット化では角度予測の精度が下がった。8ビットの評価値には本文内の不一致があり、確認が必要である。
単語ごとの長さ・強さ・抑揚を指定する音声合成、WordVoiceの仕組みと検証結果
- 単語ごとに長さ、区切り、強さ、高さ、抑揚の5属性を計画し、特定語の値を利用者が指定できる。
- 学習基盤のWordVoice-5Aは、中国語・英語の音声約4684時間に単語単位の5属性を付けたデータである。
- 著者の中国語試験では、CosyVoice3より強さの誤差と単語制御の主観評点が改善した一方、単語誤り率は高くなった。