PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.15948v1cs.AI

비전: "사용자 선호에 대해 내가 모르는 것은 무엇인가?" 불확실성 추정이 능동형 어시스턴트 정렬을 향상시키는 방법

Vision: "What Don't I Know About User's Preferences?" How Uncertainty Estimation Improves Proactive Assistant Alignment

능동형 스마트 어시스턴트(Proactive Smart Assistant, PSA)는 사용자가 선호할 행동을 예측하기 위해 일반 지식, 그룹 수준 데이터에서 학습된 패턴, 개별 사용자 데이터의 패턴, 그리고 최근 센서 관측값을 점점 더 많이 활용하고 있다. 기존 시스템은 일반적으로 예측된 사용자 선호 가능도(likelihood)로부터 행동을 선택하지만, 이러한 가능도만으로는 예측이 얼마나 신뢰할 수 있는지, 어떤 근거가 이를 지지하는지, 또는 왜 모호성이 남아 있는지를 드러내지 못한다. 본 비전 논문에서 우리는 불확실성 추정(uncertainty estimation)이 이러한 누락된 정보를 제공할 수 있으며, 이후의 적절한 행동을 상당히 변화시킬 수 있다고 주장한다. 홈 어시스턴트의 예를 사용하여, 우리는 불확실성 추정이 답하고자 하는 질문들을 소개한다. 즉, 어시스턴트가 예측된 선호 가능도에 대해 얼마나 확신하는지, 그 확신이 그룹 수준의 가정에서 오는 것인지 아니면 개별 사용자의 데이터에서 오는 것인지, 그리고 가능도의 모호성이 사용자의 본질적인 선호 변동성을 반영하는 것인지 아니면 특정 상황에 대한 데이터 부족을 반영하는 것인지이다. 우리는 또한 인간 궤적 예측(human trajectory prediction), 개인화된 행동 인식(personalized activity recognition), 정보 수집(information-collection), 모델 기반 제어(model-based control)와 같은 인접 분야에서의 불확실성 추정 응용 사례를 소개한다. 마지막으로, 우리는 인접 분야의 통찰을 바탕으로 미래의 불확실성 인지(uncertainty-aware) 능동형 어시스턴트가 능동형 상호작용에서의 주요 과제들을 어떻게 해결할 수 있을지를 전망한다.

arXiv:2606.19597v1cs.SD

PrefSQA: 음성 품질 평가를 위한 쌍대 선호도 예측과 고품질 데이터셋의 결정적 역할

PrefSQA: Pairwise Preference Prediction for Speech Quality Assessment and the Critical Role of High Quality Datasets

평균 의견 점수(MOS)는 음성 품질 평가에 널리 사용되지만, 스칼라 라벨은 평가자 변동성과 청취 테스트 차이에 민감합니다. 이는 라벨링 노이즈를 유발하여 MOS 예측의 신뢰성을 제한합니다. 선호도 예측은 청취자가 신호를 직접 비교하여 더 깨끗한 라벨을 생성하므로 이러한 변동성을 줄여줍니다. 본 연구에서는 MOS 기반이 아닌 선호도 예측을 다루며, 불확실성 인식 로짓, 손상 어텐션(attention) 헤드, 비일치 참조 비교 기반 모듈을 포함하는 PrefSQA를 제안합니다. 우리는 MOS 파생 및 저노이즈 시뮬레이션 세트(일치 및 비일치 콘텐츠 포함)를 포함한 5개의 데이터셋을 사용하여 정제하고, 인간 선호도 세트로 실험한 후 보이지 않은 데이터에서 테스트를 수행했습니다. 실험 결과 MOS 파생 데이터에서는 소폭의 개선이 관찰된 반면, 다른 세트에서는 베이스라인 대비 명확한 개선이 나타나 고품질 선호도 데이터의 가치를 강조하고 제안된 방법의 효과를 입증했습니다.