論文の概要: The Perceived Fragility of Explanations in Audio Models: Manipulation of Attribution with Unchanged Predictions

• arxiv url: http://arxiv.org/abs/2606.14466v1
• Date: Fri, 12 Jun 2026 13:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.921837
• Title: The Perceived Fragility of Explanations in Audio Models: Manipulation of Attribution with Unchanged Predictions
• Title（参考訳）: 音響モデルにおける説明の脆弱さの知覚:非変化予測による属性の操作
• Authors: Piotr Kitłowski, Dominik Wiącek, Mateusz Modrzejewski,
• Abstract要約: 本稿では,音声ディープフェイク検出におけるポストホック説明法の脆弱性について検討する。 最終的な分類からモデル属性を分離するために、難聴摂動を最適化する心理音響フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.10923877073891443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the fragility of post-hoc explanation methods in audio deepfake detection. While previous work on explanation manipulation focused on images using standard $L_p$ metrics, we introduce a psychoacoustic framework that optimizes inaudible perturbations to decouple model attributions from final classifications. We evaluate this vulnerability across state-of-the-art architectures under strict prediction-preserving constraints. By evaluating the manipulation cost through domain-specific perceptual audio quality metrics alongside explanation alignment criteria, our framework demonstrates that an adversary can systematically distort automated explanation heatmaps while preserving the predicted deepfake label. Full code available at: https://github.com/cncPomper/Audio-XAI
• Abstract（参考訳）: 本稿では,音声ディープフェイク検出におけるポストホック説明法の脆弱性について検討する。 これまでは、標準の$L_p$メトリクスを用いた画像に焦点をあてた説明操作が行われていたが、最終的な分類からモデル属性を分離するために、難聴摂動を最適化する心理音響フレームワークを導入する。 我々は、厳密な予測保存制約の下で、最先端アーキテクチャにおけるこの脆弱性を評価する。 提案手法は,ドメイン固有の聴覚品質指標と説明アライメント基準を併用して操作コストを評価することにより,予測したディープフェイクラベルを保存しながら,相手が自動説明ヒートマップを体系的に歪曲できることを実証する。 https://github.com/cncPomper/Audio-XAI

関連論文リスト

• APEX: Audio Prototype EXplanations for Classification Tasks [4.385522611751555]
  APEX (Audio Prototype Explanations) は、事前訓練されたオーディオ分類器を解釈するためのフレームワークである。 説明は4つの視点に分かれている: 一時的なイベントをローカライズするためのスクエアベースのプロトタイプ、時間ベースの時間パターン、周波数ベースのスペクトルバンドのハイライト、時間ベースの統合。 標準勾配法よりも意味的明瞭度が高い。
  論文  参考訳（メタデータ） (2026-05-11T08:00:38Z)
• Noise-Aware Misclassification Attack Detection in Collaborative DNN Inference [0.0]
  オブジェクト分類の協調推論 ディープニューラルネットワーク(DNN)は、エッジAIの重要な実現要因になりつつある。 本稿では,変分オートエンコーダ(VAE)によって駆動される半グレーボックスと雑音を考慮した異常検出フレームワークを提案する。 提案フレームワークは, 環境騒音の特性を捉え, 誤報率を低減し, 検出精度を向上させる頑健なノイズ認識機能を備えている。
  論文  参考訳（メタデータ） (2026-03-18T16:53:58Z)
• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• A Framework for Evaluating Faithfulness in Explainable AI for Machine Anomalous Sound Detection Using Frequency-Band Perturbation [37.2521660642532]
  機械音響解析におけるXAI忠実度を評価するための新しい定量的枠組みを提案する。 我々は,XAI技術が信頼性に違いがあることを示し,Occlusionは真のモデル感度と最強のアライメントを示す。
  論文  参考訳（メタデータ） (2026-01-26T23:06:50Z)
• Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
  AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
  論文  参考訳（メタデータ） (2025-10-11T14:09:24Z)
• Anomaly Detection and Localization for Speech Deepfakes via Feature Pyramid Matching [8.466707742593078]
  音声ディープフェイク(英: Speech Deepfakes)は、ターゲット話者の声を模倣できる合成音声信号である。 音声のディープフェイクを検出する既存の方法は教師あり学習に依存している。 本稿では,音声深度検出を異常検出タスクとして再設定する,新しい解釈可能な一クラス検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-23T11:15:22Z)
• Conformal Prediction of Classifiers with Many Classes based on Noisy Labels [22.841631892273547]
  Conformal Prediction (CP) は、分類システムの予測不確実性を制御する。 雑音ラベル付きデータに基づいて、ノイズのない共形閾値を推定する方法を示す。 ノイズ対応コンフォーマル予測 (NACP) のアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-01-22T09:35:58Z)
• Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
  敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。 分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。 実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2024-08-12T02:48:00Z)
• Do You Remember? Overcoming Catastrophic Forgetting for Fake Audio Detection [54.20974251478516]
  本稿では,破滅的な忘れを克服するために,偽音声検出のための連続学習アルゴリズムを提案する。 検出ネットワークを微調整する場合,本手法では,真の発話と偽発話の比率に応じて,重み付けの方向を適応的に計算する。 本手法は,音声の感情認識などの関連分野に容易に一般化できる。
  論文  参考訳（メタデータ） (2023-08-07T05:05:49Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。