arXiv cs.AI· Peiwei Chang, Li Zhang, Mark D. Plumbley, Philip J. B. Jackson, Wenwu Wang·· 3 天前AI 评分22
AMemOps：评估长音频流中的记忆更新
AMemOps: Evaluating Memory Updates in Long Audio Streams
AI 导读
研究者提出 AMemOps 基准，用于评估长音频流中的最新属性检索、未变属性保持与缺失来源拒绝。在测试乐器的其他录音上训练，可使参考 delta-rule 记忆相对匹配注意力机制的更新优势提升 13.4 个百分点；在 120 秒检索延迟下，匹配历史可区分一致重复的收益与早期冲突值的代价，加性记忆对照则识别出擦除的收益。
正文 · AI 翻译
摘要：音频记忆必须能够在声学变化中识别反复出现的来源，同时保持其属性为最新状态。总体准确率无法揭示这些需求如何相互作用。我们提出了音频记忆操作（Audio Memory Operations，AMemOps），这是一个用于在长音频流中进行最新属性检索、未变更属性保持和缺失来源拒绝的基准。配对对照通过改变录音、训练身份和早期事件来考察它们对更新的影响。在测试乐器的其他录音上进行训练，使参考 delta-rule 记忆相对于匹配注意力的更新优势提高了 13.4 个百分点。在 120\,s 的检索延迟下，匹配历史将一致重复带来的收益与冲突的早期值带来的代价区分开来，而加性记忆对照则识别出擦除带来的收益。
| 学科： | 声音（cs.SD）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18652 [cs.SD] |
| （或 arXiv:2610.18652v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18652 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
发件人：Peiwei Chang [查看电子邮件]
[v1]
2026年10月13日星期二 16:16:19 UTC（279 KB）
来源：arXiv cs.AI · arxiv.org