質問ごとに参照文書の件数を決めるScoreGate：検索と再評価の点数を組み合わせる方法
- 検索器の類似度と再評価器の点数から、回答モデルへ渡す文書片を質問ごとに選ぶ。
- 著者らはMS MARCOの開発用質問200件でMRR@10が0.401、保持文書片が固定件数方式より35％少ないと報告した。
- 内部評価は調整時と知識ベースを共有する。最大10件の制限で関連文書片が計8件落ちたと著者らは報告した。
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。
脳波を８つの周波数帯で別々に学習し、注目している話者を推定するFAConformer
- FAConformerは脳波を８つの周波数帯に分け、帯域ごとに特徴を学習してから統合し、注目先の話者を判定する。
- 訓練時には帯域別の補助判定を使い、統合時の寄与が小さい枝にも正解ラベルによる学習信号を与える。
- 著者らはDTUで4.9％、KULで3.0％の改善を報告するが、確認できた本文の範囲では改善幅の評価指標を特定できない。
気分に近い曲を確率で選ぶ音楽推薦、6人の比較評価
- 過去の上位再生曲から類似曲を集め、本人が選んだ気分と曲のエネルギー・快さの距離を使って確率的に選曲する。
- 著者らの単盲検実験では、6人による27組の評価で平均評点が提案法3.59、対照法2.67だった。
- 本文では対照法も気分との距離を使う近傍法と説明されており、評価結果を気分入力だけの効果とは切り分けられない。
会話中の対象特定、好みに応じた応答、会話全体の評価を扱う研究
- ConELは会話中の名称と対象の対応を扱うデータセットで、CRELはそのための会話向け実体リンク手法である。
- LAPSは人が書いた個人化会話データを大規模に構築する方法で、好みを応答生成に使う研究に用いられる。
- FACEは正解応答文を使わず会話全体を評価する。著者は人間の判断との高い一致を述べるが、要約に数値結果はない。
似た展示物を端末で識別し、館の記録から英語・アラビア語で答える博物館ガイド
- 51作品の識別では、人手で枠を付け直した最終モデルが、画像単位の検証でmAP@0.5＝0.995を記録した。
- 作品識別は端末内で行い、質問時には英語・アラビア語の記録を検索して回答を作る。
- 著者らの30問の回答評価では全問正答だった一方、端末上の識別速度は約1.25 FPSで当初目標の2.5 FPSを下回った。
Faustの音声処理をCLAP化し、編集後もつまみの値と自動化を引き継ぐ
- Faust製DSPをCLAPプラグインにし、静的ビルドと実行中の更新を使い分けられる。
- 階層アドレスと12個の固定枠により、アドレスが残るつまみの値と自動化を引き継ぐ。
- 著者らのmacOS上での検証では、5種のDSPの再コンパイル時間は6～52ミリ秒だった。
同時音声翻訳の途切れを減らすNaturalFlow――無音と訳の正確さを両方測る
- NaturalFlowはHibikiに選好学習を加え、同時音声翻訳の訳出間に生じる無音を減らそうとする。
- 無音が最も少ない候補群をそのまま優先せず、翻訳品質も測って学習用の候補を選ぶ。
- 著者らの仏英評価では長い音声の無音比率が下がった一方、訳の品質指標の変化は評価セットによって異なった。
音声コーデックの復元器を、量子化前後の特徴を使って学習する
- 量子化前後の特徴を同じ復元器に通し、内部特徴が近づくよう学習する。利用時の復元手順は変わらない。
- LibriSpeech test-cleanの符号帳65536、50HzのXCodec2で、PESQは2.28から2.39、STOIは0.910から0.915になったと著者らは報告する。
- 符号帳16384のPESQ-WBは適用後2.27で、符号帳65536の非適用版2.28に近い。対象音声での品質は別途検証が必要である。
半年前の読書履歴は、２年後の文書選択にも役立つか
- 最初の６か月の印付け履歴から読者表現を作り、同時期に他の読者が選んだ文書を候補として、その後の選択を評価した。
- 関心の近い読者を対照にした同一人物212人の比較では、６〜12か月後のAP差に統計的に確認できる低下はなかった。
- 結果の対象は１つのサービスの長期利用者であり、提示された文書の影響や全未読文書から探す場合の性能は分からない。
新しい商品語を学習し直さずに追加できる生成型の商品検索
- OneRetrievalは属性語に対応する6位置の番号列を生成し、商品候補へ戻す検索方式だ。
- 予約枠と辞書を更新することで、著者らの設計では新語をモデルの再学習なしに登録できる。
- 著者らは500万件の検索要求による評価とオンライン比較で、候補収集性能と運用上の編集性を報告した。
音声特徴と発話内容を統合し、アルツハイマー病・パーキンソン病の段階を推定する
- スペクトログラム、MFCC、書き起こし、年齢・性別を統合し、ADまたはPDの段階ラベルを選ぶ。
- 著者らの参加者単位の評価では、正解率はADで0.823、PDで0.735となり、ClsHeadの0.740、0.658を上回った。
- 対象者数が小さく、複数施設での検証が必要。PDでは、別の基盤モデル版よりmacro-F1が低かった。
低音域に多くの処理を配分する音声雑音除去手法BASENet
- BASENetはBark尺度に基づく帯域密度から各帯域の処理層数を決め、帯域間では要約した情報を参照する。
- 著者らのVoiceBank+DEMAND評価では、BASENet-3はPESQ 3.55、STOI 96％、83万パラメータだった。
- 因果型のPESQは3.44。通話用途には遅延と対象環境での音質・文字起こしへの影響を別途検証する必要がある。