蓋世汽車訊 現在，人工智能決策普遍應用于自動駕駛汽車、患者診斷和法律咨詢，需要具有安全可靠的性能。研究人員致力于開發可解釋和透明的模型，以揭開復雜的人工智能模型的面紗，并將它們統稱為可解釋性人工智能（XAI）方法。據外媒報道，在期刊《智能計算（Intelligent Computing）》上發表的一篇綜述文章中，研究團隊專門提供了他們對音頻XAI模型的見解。

（圖片來源：spj.science.org）

盡管對音頻任務的研究比視覺任務少，但它們同樣具有重要的表達能力。音頻信號很容易理解和交流，因為通常不像視覺信號那樣依賴于專家的解釋。本質上來說，語音識別和環境聲音分類等場景是基于特定的固有音頻。

該綜述將現有的音頻XAI方法分為兩類，包括適用于音頻模型的通用方法和音頻特定方法：

●  使用通用方法需要選擇起初為非音頻任務而構建的通用模型，并對其進行調整以適應特定的音頻任務。這些方法通過各種輸入表示（如光譜圖和波形）和不同的輸出格式（如特征、示例和概念）來解釋音頻模型。常見的通用方法包括引導式反向傳播，通過突出輸入數據中最相關的部分來增強標準的反向傳播過程；LIME用更簡單的模型來概略估算復雜的模型；以及利用網絡剖析（network dissection）來分析神經網絡學習的內部表征。

●  另一方面，音頻特定方法專為音頻任務而設計，旨在將音頻輸入分解成有意義的組件，專注于音頻數據的聽覺本質。例如，CoughLIME（在COVID-19檢測中為咳嗽的聲音提供超聲解釋）和audioLIME（賦予音頻組件重要性，使用源分離來解釋音樂標簽模型）。

XAI方法還可以按它們的階段、范圍、輸入數據類型和輸出格式進行分類。階段指的是在訓練過程之前、期間或之后生成解釋的階段；范圍是確定該解釋是針對整個模型還是特定輸入。XAI通常涉及不同的策略，例如使用預定義規則或特定的輸入示例進行解釋，突出最重要的特性、重點領域或輸入變化，以及使用更簡單的模型來局部解釋復雜的模型。

該研究團隊確定了若干種使音頻模型更容易解釋的方法，例如使用原始波形或光譜圖來提供可聽的解釋，以及在音頻數據中定義更高級別的概念，這類似于在圖像數據中使用超像素的方式。他們還認為，音頻解釋的表達能力可以擴展至非音頻模型，為基于視覺的用戶交互提供補充溝通渠道或成為可能。

返回第一電動網首頁 >