Amazon（亚马逊）

Towards Improving Speaker Distance Estimation through Generative Impulse Response Augmentation

通过生成性冲击响应增强改进说话距离估计

Anton Ratnarajah, Mehmet Ergezer, Arun Nair, Mrudula Athi

机构 * Amazon（亚马逊） ； Wentworth Institute of Technology（韦尔特沃斯技术学院） 纠错

AI总结 本文通过生成冲击响应数据增强提升说话距离估计模型性能，采用FastRIR生成冲击响应并优化超参数，实验显示在中长距离显著提高估计精度。

Comments Accepted to Generative Data Augmentation for Real-World Signal Processing Applications (GenDA 2025). An ICASSP 2025 Satellite Workshop and IEEE Data Science and Learning Workshop: Room Acoustics and Speaker Distance Estimation Challenge

Journal ref Generative Data Augmentation for Real-World Signal Processing Applications (GenDA 2025). An ICASSP 2025 Satellite Workshop and IEEE Data Science and Learning Workshop

Fast Text-to-Audio Generation with One-Step Sampling via Energy-Scoring and Auxiliary Contextual Representation Distillation

通过能量评分与辅助上下文表示蒸馏实现一步文本到音频生成

Kuan-Po Huang, Bo-Ru Lu, Byeonggeun Kim, Mihee Lee, Zalan Fabian, Renard Korzeniowski, Qingming Tang, Greg Ver Steeg, Hung-yi Lee, Chieh-Chi Kao, Chao Wang

机构 * National Taiwan University（国立台湾大学） ； Amazon AGI（亚马逊人工智能实验室） 纠错

AI总结 本文提出了一种结合能量距离训练和表示层蒸馏的一步采样框架，有效提升了文本到音频生成的速度与质量，在AudioCaps基准上优于现有方法，达到与多步采样扩散模型相当的性能。

Attention Is Where You Attack

注意力是攻击之处

Aviral Srivastava, Sourav Panda

机构 * Amazon（亚马逊） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 本文提出注意力重分布攻击（ARA），通过Gumbel-softmax优化在概率单纯形上攻击softmax注意力，成功绕过安全对齐，实现高准确率的恶意请求执行。

ARFBench: Benchmarking Time Series Question Answering Ability for Software Incident Response

ARFBench: 用于软件事件响应的时间序列问题回答能力基准测试

Stephan Xie, Ben Cohen, Mononito Goswami, Junhong Shen, Emaad Khwaja, Chenghao Liu, David Asker, Othmane Abou-Amal, Ameet Talwalkar

机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Datadog AI Research（Datadog AI研究） ； Amazon Web Services（亚马逊网络服务） 纠错

AI总结 本文提出ARFBench基准测试，评估多模态基础模型对软件事件数据中时间序列异常的理解能力，发现前沿VLM表现优异，提出混合模型并建立模型-专家 oracle，达到超人类水平。

Comments Updated author affiliation

Backpropagation-Free Test-Time Adaptation via Probabilistic Gaussian Alignment

无需反向传播的概率高斯对齐测试时间适应

Youjia Zhang, Youngeun Kim, Young-Geun Choi, Hongyeob Kim, Huiling Liu, Sungeun Hong

机构 * Sungkyunkwan University（庆尚大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出ADAPT方法，通过概率高斯推断任务实现测试时间适应，无需反向传播或梯度更新，提升模型在分布偏移下的鲁棒性和可扩展性。