Carnegie Mellon University（卡内基梅隆大学）

Can Embedding Similarity Predict Cross-Lingual Transfer? A Systematic Study on African Languages

嵌入相似性能否预测跨语言迁移？针对非洲语言的系统研究

Tewodros Kederalah Idris, Prasenjit Mitra, Roald Eiselen

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； North-West University（北开普敦大学） 纠错

AI总结 本文通过系统评估五种嵌入相似性度量，发现余弦间隙和检索度量能有效预测跨语言迁移成功，同时揭示了模型特定分析的重要性。

Comments 13 pages, 1 figure, 19 tables

Linear Script Representations in Speech Foundation Models Enable Zero-Shot Transliteration

语音基础模型中的线性脚本表示可实现零样本转写

Ryan Soh-Eun Shim, Kwanghee Choi, Kalvin Chang, Ming-Hao Hsu, Florian Eichin, Zhizheng Wu, Alane Suhr, Michael A. Hedderich, David Harwath, David R. Mortensen, Barbara Plank

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 通过在语音基础模型中引入线性脚本表示，实现对语音识别输出脚本的零样本控制，提升多语言转写性能。

Polynomial Convergence of Riemannian Diffusion Models

黎曼扩散模型的多项式收敛性

Xingyu Xu, Ziyi Zhang, Yorie Nakahira, Guannan Qu, Yuejie Chi

机构 * CMU Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Yale Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） 纠错

AI总结 本文提出黎曼扩散模型，证明在$ L_2 $-准确分数估计下，多项式小步长可保证总变差距离下的小采样误差，无需数据分布的平滑性或正性。

WearVox: An Egocentric Multichannel Voice Assistant Benchmark for Wearables

WearVox: 一款面向可穿戴设备的多通道语音助手基准测试平台

Zhaojiang Lin, Yong Xu, Kai Sun, Jing Zheng, Yin Huang, Surya Teja Appini, Krish Narang, Renjie Tao, Ishan Kapil Jain, Siddhant Arora, Ruizhi Li, Yiteng Huang, Kaushik Patnaik, Wenfang Xu, Suwon Shon, Yue Liu, Ahmed A Aly, Anuj Kumar, Florian Metze, Xin Luna Dong

机构 * Meta ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 WearVox是一个面向可穿戴设备的多通道语音助手基准测试平台，通过真实场景下的多通道音频数据评估语音助手性能，揭示了环境噪声对模型表现的影响。

Myopically Verifiable Probabilistic Certificates for Safe Control and Learning

近视验证的概率证书用于安全控制与学习

Zhuoyuan Wang, Haoming Jing, Christian Kurniawan, Albert Chern, Yorie Nakahira

机构 * Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学） ； Information Systems Technology and Design pillar, Singapore University of Technology and Design（信息系统技术与设计支柱，新加坡科技设计大学） ； Department of Computer Science and Engineering, University of California San Diego（计算机科学与工程系，加州大学圣地亚哥分校） 纠错

AI总结 本文提出了一种概率不变性技术，用于设计近视验证的概率证书，以确保安全控制与学习的长期安全。