論文の概要: Uncovering shortcut learning in audio classifiers by discovering recurring concepts in temporal explanations

• arxiv url: http://arxiv.org/abs/2609.34030v1
• Date: Sun, 27 Sep 2026 23:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:39:34.885555
• Title: Uncovering shortcut learning in audio classifiers by discovering recurring concepts in temporal explanations
• Title（参考訳）: 時間的説明における繰り返し概念の発見による音声分類器におけるショートカット学習の発見
• Abstract要約: 機械学習データセットにおけるイベント間の相関は、ショートカット学習をもたらす可能性がある。 本稿では,その時間的説明の中で繰り返し発生する概念を発見することによって,ショートカット学習を明らかにするパイプラインを提案する。 結果として得られる概念は人間によって監査され、潜在的ショートカット学習を明らかにすることができる。
• 参考スコア（独自算出の注目度）: 11.225078157210651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Correlations between events in machine learning datasets may result in shortcut learning, where models learn to predict the target event based on the presence of a correlated event. When these correlations are spurious -- arising from data collection artifacts -- models are likely to perform poorly in practice. We propose a pipeline to uncover shortcut learning in audio classifiers by discovering recurring concepts in their temporal explanations. Specifically, we isolate audio segments that explain classifier decisions, caption them with an ensemble of Large Audio-Language Models, and use a Large Language Model to extract recurring concepts. The resulting concepts can be audited by humans to uncover potential shortcut learning. We evaluate our framework using datasets curated from AudioSet Strong, controlling for the presence or absence of spurious correlations. Results show that this approach reliably uncovers learned shortcuts, such as the model relying on the presence of "laughter" to predict "applause".
• Abstract（参考訳）: 機械学習データセットにおけるイベント間の相関は、モデルが関連するイベントの存在に基づいてターゲットイベントを予測することを学習するショートカット学習をもたらす可能性がある。 これらの相関関係が(データ収集成果物から生じる)突発的であれば、モデルは実際はパフォーマンスが悪くなります。 本稿では,時間的説明の中で繰り返し発生する概念を発見することによって,音声分類器におけるショートカット学習を明らかにするパイプラインを提案する。 具体的には、分類器の決定を説明する音声セグメントを分離し、大音量言語モデルのアンサンブルでキャプションし、大音量言語モデルを用いて繰り返し概念を抽出する。 結果として得られる概念は人間によって監査され、潜在的ショートカット学習を明らかにすることができる。 我々は,AudioSet Strongから収集したデータセットを用いて,突発的相関の有無を制御したフレームワークの評価を行った。 結果は、このアプローチが「拍手」を予測するために「笑い」の存在に依存するモデルなど、学習したショートカットを確実に発見することを示している。

関連論文リスト

• Does Episodic Memory Help Close the Lexical Frequency Gap in Sensitivity to Syntactic Contrasts? A Test Using Retrieval-Augmented Language Models [13.255966254489842]
  補完学習システム理論を用いて、海馬のエピソード記憶機構を介して語彙周波数が生じるという仮説を検証した。 検索の強化により,高頻度と低頻度の項目間の性能ギャップが狭まることがわかった。 構造情報は効果的な検索に不可欠であるが,意味的類似性だけではほとんど利益が得られないことを示す。
  論文  参考訳（メタデータ） (2026-08-24T21:45:12Z)
• SpurAudio: A Benchmark for Studying Shortcut Learning in Few-Shot Audio Classification [4.791940743080381]
  FSC(Few-shot Classification)は限られたラベル付きデータから学習するために広く用いられているが、ほとんどの評価では、ターゲット概念は文脈的手がかりとは無関係であると暗黙的に仮定している。 実世界の設定では、サンプルはリッチなコンテキストにしばしば現れ、モデルが前景のコンテンツと背景の信号の間の刺激的な相関を活用できる。 SpurAudioは、音声における前景イベントと背景環境の自然な分離性を利用して、サポートとクエリセット間のコンテキストシフトの制御されたマルチレベル評価を可能にするベンチマークである。
  論文  参考訳（メタデータ） (2026-05-13T15:32:57Z)
• Towards Open-Vocabulary Audio-Visual Event Localization [59.23161248808759]
  本稿では,オープン語彙音声・視覚イベントのローカライズ問題を紹介する。 この問題は、音声・視覚イベントのローカライズと、推測時に見つからないデータの両方の明確なカテゴリの予測を必要とする。 OV-AVEBenchデータセットを提案する。
  論文  参考訳（メタデータ） (2024-11-18T04:35:20Z)
• T-CLAP: Temporal-Enhanced Contrastive Language-Audio Pretraining [38.604112878493396]
  コントラスト言語-オーディオ事前学習(CLAP)は、音声と言語の表現を整合させるために開発された。 音声とテキストの特徴の時間的情報を取得するために,時間的拡張CLAPモデルであるT-CLAPを導入する。 T-CLAPは、音の事象の時間的関係を捉え、最先端のモデルよりも顕著に優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-27T07:05:48Z)
• Leveraging Language Model Capabilities for Sound Event Detection [10.792576135806623]
  本稿では,音声イベントとその時間的位置を同時に生成しながら,音声特徴を理解するためのエンドツーエンドフレームワークを提案する。 具体的には、事前学習された音響モデルを用いて、異なるカテゴリーにわたる識別的特徴を捉え、自動回帰テキスト生成のための言語モデルを用いる。
  論文  参考訳（メタデータ） (2023-08-22T15:59:06Z)
• Self-Supervised Learning for speech recognition with Intermediate layer supervision [52.93758711230248]
  自己教師付き学習(ILS-SSL)のための中間層スーパービジョンを提案する。 ILS-SSLは、中間層にSSL損失を追加することで、可能な限りコンテンツ情報に集中させます。 LibriSpeech の他のテストセットの実験により,本手法は HuBERT を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T10:45:05Z)
• Layer-wise Analysis of a Self-supervised Speech Representation Model [26.727775920272205]
  自己教師付き学習アプローチは、音声表現モデルの事前学習に成功している。 事前訓練された表現そのものに符号化された情報のタイプや範囲についてはあまり研究されていない。
  論文  参考訳（メタデータ） (2021-07-10T02:13:25Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Unsupervised Cross-Modal Audio Representation Learning from Unstructured Multilingual Text [69.55642178336953]
  教師なし音声表現学習へのアプローチを提案する。 3重項ニューラルネットワークアーキテクチャに基づいて、意味論的に関連付けられたクロスモーダル情報を用いて、音声トラック関連性を推定する。 我々のアプローチは、様々なアノテーションスタイルと、このコレクションの異なる言語に不変であることを示す。
  論文  参考訳（メタデータ） (2020-03-27T07:37:15Z)

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。