論文の概要: I Guess That's Why They Call it the Blues: Causal Analysis for Audio Classifiers

• arxiv url: http://arxiv.org/abs/2601.16675v1
• Date: Fri, 23 Jan 2026 11:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.67124
• Title: I Guess That's Why They Call it the Blues: Causal Analysis for Audio Classifiers
• Title（参考訳）: 音声分類器の因果解析
• Authors: David A. Kelly, Hana Chockler,
• Abstract要約: 本稿では、因果推論を用いて、与えられた分類に十分かつ必要となる周波数空間の特徴を発見する新しい手法を提案する。 我々の実験は、因果的に十分かつ必要なサブセットは、様々な方法でモデルの出力を操作できることを示している。
• 参考スコア（独自算出の注目度）: 4.870012761464388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is well-known that audio classifiers often rely on non-musically relevant features and spurious correlations to classify audio. Hence audio classifiers are easy to manipulate or confuse, resulting in wrong classifications. While inducing a misclassification is not hard, until now the set of features that the classifiers rely on was not well understood. In this paper we introduce a new method that uses causal reasoning to discover features of the frequency space that are sufficient and necessary for a given classification. We describe an implementation of this algorithm in the tool FreqReX and provide experimental results on a number of standard benchmark datasets. Our experiments show that causally sufficient and necessary subsets allow us to manipulate the outputs of the models in a variety of ways by changing the input very slightly. Namely, a change to one out of 240,000 frequencies results in a change in classification 58% of the time, and the change can be so small that it is practically inaudible. These results show that causal analysis is useful for understanding the reasoning process of audio classifiers and can be used to successfully manipulate their outputs.
• Abstract（参考訳）: 音響分類器は、しばしば音響を分類するために、音楽に関係のない特徴と急激な相関に頼っていることはよく知られている。 したがって、音声分類器は操作や混乱が容易であり、誤った分類となる。 誤分類を誘導することは難しいことではないが、これまで分類器が依存する一連の機能はよく理解されていなかった。 本稿では、因果推論を用いて、与えられた分類に十分かつ必要となる周波数空間の特徴を発見する新しい手法を提案する。 本稿では,このアルゴリズムをFreqReXツールで実装し,多くの標準ベンチマークデータセットに対して実験結果を提供する。 実験の結果、因果的に十分かつ必要な部分集合は入力をわずかに変化させることで、様々な方法でモデルの出力を操作できることがわかった。 つまり、24万の周波数のうち1つに変化すると、その時間の58%の分類が変化し、その変化が非常に小さくなり、事実上聞こえなくなる。 これらの結果から,因果解析は音声分類器の推論過程を理解するのに有用であり,出力の操作に有効であることが示唆された。

関連論文リスト

• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• Knowledge Trees: Gradient Boosting Decision Trees on Knowledge Neurons as Probing Classifier [0.0]
  変圧器ニューラルネットワーク層の出力表現におけるロジスティック回帰は、言語モデルの構文特性の探索に最もよく用いられる。 本研究では, 変圧器層の出力表現におけるロジスティック回帰を用いた場合よりも, 知識ニューロン層での勾配向上決定木を用いた方が有利であることを示す。
  論文  参考訳（メタデータ） (2023-12-17T15:37:03Z)
• Understanding and Mitigating Spurious Correlations in Text Classification with Neighborhood Analysis [69.07674653828565]
  機械学習モデルは、トレーニングセットに存在するが一般的な状況では当てはまらない急激な相関を利用する傾向にある。 本稿では, 周辺分析と呼ばれる新しい視点から, 突発的相関がもたらす意味について考察する。 本稿では,テキスト分類における素早い相関を緩和する正規化手法であるNFL(doN't Forget your Language)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:55:50Z)
• Class-Level Logit Perturbation [0.0]
  特徴摂動とラベル摂動は、様々なディープラーニングアプローチにおいて有用であることが証明されている。 シングルラベルとマルチラベルの両方の分類タスクに対して,摂動ロジットを明示的に学習するための新しい手法が提案されている。 logit上でしか摂動しないため、既存の分類アルゴリズムと融合するためのプラグインとして使用できる。
  論文  参考訳（メタデータ） (2022-09-13T00:49:32Z)
• Identifying Hard Noise in Long-Tailed Sample Distribution [71.8462682319137]
  NLT(Noisy Long-Tailed Classification)を紹介する。 ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。 我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-07-27T09:03:03Z)
• Determination of class-specific variables in nonparametric multiple-class classification [0.0]
  確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。 提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
  論文  参考訳（メタデータ） (2022-05-07T10:08:58Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Quantifying the Uncertainty of Precision Estimates for Rule based Text Classifiers [0.0]
  キーサブストリングの存在と欠如を利用して分類決定を行うルールベースの分類器は、それらの精度の不確かさを定量化する自然なメカニズムを持つ。 バイナリ分類器にとって重要な洞察は、文書によって誘導される部分弦集合の分割をベルヌーイ確率変数として扱うことである。 このアプローチの実用性は、ベンチマーク問題で実証されている。
  論文  参考訳（メタデータ） (2020-05-19T03:51:47Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。