論文の概要: Explainable AI in Speaker Recognition -- Making Latent Representations Understandable

• arxiv url: http://arxiv.org/abs/2604.23354v1
• Date: Sat, 25 Apr 2026 15:44:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.291033
• Title: Explainable AI in Speaker Recognition -- Making Latent Representations Understandable
• Title（参考訳）: 話者認識における説明可能なAI - 潜在表現を理解可能にする
• Authors: Yanze Xu, Wenwu Wang, Mark D. Plumbley,
• Abstract要約: 本稿では,ネットワーク表現における未知の組織パターンを明らかにするという,XAIのトピックを研究することを提案する。 これは、表現が独立ではなく階層的な関係を持つクラスタを形成する方法を分析するために、2つのアルゴリズムを適用する。 新しい計量であるリービッグのスコアは、マッチング性能を最も強く制限する因子を診断するために提案されている。
• 参考スコア（独自算出の注目度）: 21.594428525994285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks can be trained to learn task-relevant representations from data. Understanding how these networks make decisions falls within the Explainable AI (XAI) domain. This paper proposes to study an XAI topic: uncovering unknown organisational patterns in network representations, particularly those representations learned by the speaker recognition network that recognises the speaker identity of utterances. Past studies employed algorithms (e.g. t-distributed Stochastic Neighbour Embedding and K-means) to analyse and visualise how network representations form independent clusters, indicating the presence of flat clustering phenomena within the space defined by these representations. In contrast, this work applies two algorithms -- Single-Linkage Clustering (SLINK) and Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN) -- to analyse how representations form clusters with hierarchical relationships rather than being independent, thereby demonstrating the existence of hierarchical clustering phenomena within the network representation space. To semantically understand the above hierarchical clustering phenomena, a new algorithm, termed Hierarchical Cluster-Class Matching (HCCM), is designed to perform one-to-one matching between predefined semantic classes and hierarchical representation clusters (i.e. those produced by SLINK or HDBSCAN). Some hierarchical clusters are successfully matched to individual semantic classes (e.g. male, UK), while others to conjunctions of semantic classes (e.g. male and UK, female and Ireland). A new metric, Liebig's score, is proposed to quantify the performance of each matching behaviour, allowing us to diagnose the factor that most strongly limits matching performance.
• Abstract（参考訳）: ニューラルネットワークは、データからタスク関連表現を学ぶためにトレーニングすることができる。 これらのネットワークがどのように意思決定を行うかを理解することは、説明可能なAI(XAI)ドメインに該当する。 本稿では,ネットワーク表現における未知の組織パターンを明らかにすること,特に発話の話者同一性を認識する話者認識ネットワークによって学習された表現を明らかにすることを提案する。 過去の研究では、ネットワーク表現が独立したクラスタを形成する方法を分析し視覚化するためにアルゴリズム(例えば t-distributed Stochastic Neighbour Embedding や K-means)を使用しており、これらの表現によって定義される空間内に平坦なクラスタリング現象が存在することを示している。 対照的に、この研究は2つのアルゴリズム – 単一リンククラスタリング(SLINK)と階層密度に基づくノイズ付きアプリケーションの空間クラスタリング(HDBSCAN) – を適用して、表現が独立性ではなく階層的な関係を持ったクラスタを形成する方法を分析し、ネットワーク表現空間における階層的クラスタリング現象の存在を実証する。 上記の階層的クラスタリング現象を意味的に理解するために、階層的クラスタクラスマッチング(HCCM)と呼ばれる新しいアルゴリズムは、事前に定義されたセマンティッククラスと階層的表現クラスタ(SLINKやHDBSCANによって生成されるもの)の1対1のマッチングを実行するように設計されている。 いくつかの階層的クラスタは、個々の意味クラス(例えば、男性、イギリス)とうまく一致し、他のクラスタは、意味クラス(例えば、男性、イギリス、女性、アイルランド)の連携に成功している。 新しい測定基準であるLiebig's scoreは、各マッチング動作のパフォーマンスを定量化するために提案され、マッチング性能を最も強く制限する要因を診断することができる。

関連論文リスト

• Explaining, Verifying, and Aligning Semantic Hierarchies in Vision-Language Model Embeddings [10.299190830046872]
  本稿では,VLMによって誘発されるセマンティック階層を,特定の子クラスに対して説明し,検証し,調整するためのポストホックフレームワークを提案する。 我々は,効率的な木認識とエッジレベルの整合性尺度を用いて,抽出した木と人間の検索を比較して妥当性を定量化し,説明可能な階層木トラバース推定による有用性を評価する。
  論文  参考訳（メタデータ） (2026-03-26T00:38:38Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• Word Sense Induction with Hierarchical Clustering and Mutual Information Maximization [14.997937028599255]
  単語知覚誘導は自然言語処理において難しい問題である。 階層的クラスタリングと不変情報クラスタリングに基づく新しい教師なし手法を提案する。 我々は、ある場合において、我々のアプローチが先行したWSIの最先端手法よりも優れていることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-10-11T13:04:06Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)

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。