論文の概要: Bridging Neural Representations and Symbolic Semantics in Audio Classification

• arxiv url: http://arxiv.org/abs/2610.40414v1
• Date: Thu, 29 Oct 2026 16:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.115905
• Title: Bridging Neural Representations and Symbolic Semantics in Audio Classification
• Title（参考訳）: 音声分類におけるブリッジングニューラル表現とシンボリックセマンティックス
• Abstract要約: 本稿では,音声分類器に隠されたニューロンが,人間の理解可能な記号音響概念と結びついているかどうかを考察する。 音響分類器の最終的な隠蔽層を分析するためのモデル非依存型ニューロシンボリック・フレームワークが提示される。 その結果、いくつかの隠れたニューロンが有意な誘導された概念に関連付けられ、ほとんどの確認されたニューロンと概念のペアが統計的に支持されていることが判明した。
• 参考スコア（独自算出の注目度）: 0.5765235695557106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep audio classifiers can achieve strong predictive performance, but their hidden representations remain difficult to interpret. Existing audio explainability methods often focus on input-level attribution, such as waveform segments, spectrogram regions, or acoustic features, and provide limited insight into what hidden neurons encode. Interpreting hidden neurons at the concept level can provide a more meaningful view of what an audio model learns internally. This paper investigates whether hidden neurons in audio classifiers can be associated with human-understandable symbolic acoustic concepts. A model-agnostic neurosymbolic framework is presented for analyzing the final hidden layer of audio classifiers, containing 32 neurons, through symbolic concept induction. The framework is evaluated on two audio classification settings: music genre classification using GTZAN dataset and musical instrument classification using IRMAS dataset. Results show that several hidden neurons can be associated with meaningful induced concepts, and most confirmed neuron-concept pairs are statistically supported using the Mann-Whitney U test. These findings suggest that symbolic concept induction is a promising direction for explaining latent audio representations beyond input-level attribution.
• Abstract（参考訳）: ディープオーディオ分類器は高い予測性能が得られるが、その隠れた表現は解釈が難しいままである。 既存の音声説明可能性法は、しばしば波形セグメント、分光器領域、音響特徴などの入力レベルの属性に焦点を合わせ、隠れたニューロンがコードするものについての限られた洞察を提供する。 概念レベルで隠れたニューロンを解釈することで、オーディオモデルの内部で何を学ぶのかをより意味のあるビューを提供することができる。 本稿では,音声分類器に隠されたニューロンが,人間の理解可能な記号音響概念と結びついているかどうかを考察する。 シンボリック・コンセプト・インジェクションにより32ニューロンを含む音声分類器の最終層を解析するためのモデル非依存型ニューロシンボリック・フレームワークを提供する。 このフレームワークは、GTZANデータセットを用いた音楽ジャンル分類と、IRMASデータセットを用いた楽器分類の2つのオーディオ分類設定に基づいて評価される。 その結果、いくつかの隠れたニューロンが有意な誘発概念に関連付けられており、ほとんどの確認されたニューロンと概念のペアは、マン・ホイットニーUテストを用いて統計的に支持されている。 これらの結果から,シンボリック・コンセプト・インジェクションは,入力レベルの属性を超えて潜時音声表現を説明する上で有望な方向であることが示唆された。

関連論文リスト

• Uncovering Audio-Text Alignment in Large Audio-Language Models through Cross-Modal Concept Neurons [52.58288331604263]
  クロスモーダルニューロンは音声とテキストの両方を表現している。 因果的介入(神経細胞のステアリングと不活性化)は、クロスモーダルニューロンが単に予測に必要であるだけでなく、操作も可能であることを確認する。
  論文  参考訳（メタデータ） (2026-10-20T13:27:40Z)
• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• Explaining Spectrograms in Machine Learning: A Study on Neural Networks for Speech Classification [2.4472308031704073]
  本研究では,ニューラルネットワークで学習した音声の正確な分類のための識別パターンについて検討する。 母音分類のためのニューラルネットワークのアクティベーションと特徴を調べることで、スペクトログラムでネットワークが何を見るかについての洞察を得る。
  論文  参考訳（メタデータ） (2024-07-10T07:37:18Z)
• AND: Audio Network Dissection for Interpreting Deep Acoustic Models [13.046230333961782]
  $textitAND$は、高応答性オーディオに基づいて、音響ニューロンの自然言語説明を自動的に確立するフレームワークである。 さらに、オーディオマシンのアンラーニングに$textitAND$を使用する可能性を示す。
  論文  参考訳（メタデータ） (2024-06-24T06:02:07Z)
• Bridging Neural and Symbolic Representations with Transitional Dictionary Learning [4.326886488307076]
  本稿では,記号的知識を暗黙的に学習できる新しいトランジショナル辞書学習(TDL)フレームワークを提案する。 本稿では,期待最大化法(EM)アルゴリズムで学習した辞書を用いて,入力を視覚部分へ分解するゲーム理論拡散モデルを提案する。 3つの抽象的な合成視覚オブジェクトデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-03T19:29:35Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Deep Neural Convolutive Matrix Factorization for Articulatory Representation Decomposition [48.56414496900755]
  この研究は、コンボリューティブスパース行列分解のニューラル実装を用いて、調音データを解釈可能なジェスチャーとジェスチャースコアに分解する。 音素認識実験も実施され、ジェスチャースコアが実際に音韻情報のコード化に成功していることが示された。
  論文  参考訳（メタデータ） (2022-04-01T14:25:19Z)
• Compositional Explanations of Neurons [52.71742655312625]
  本稿では, 合成論理的概念を同定し, 深部表現におけるニューロンの説明手順について述べる。 本稿では,視覚と自然言語処理のモデルにおける解釈可能性に関するいくつかの疑問に答えるために,この手順を用いる。
  論文  参考訳（メタデータ） (2020-06-24T20:37:05Z)
• AudioMNIST: Exploring Explainable Artificial Intelligence for Audio Analysis on a Simple Benchmark [12.034688724153044]
  本稿では,音声領域におけるディープニューラルネットワークの時間後説明について検討する。 本稿では,3万個の英単語の音声サンプルからなるオープンソース音声データセットを提案する。 人間のユーザ研究において、視覚的説明よりも可聴説明の方が優れた解釈可能性を示す。
  論文  参考訳（メタデータ） (2018-07-09T23:11:17Z)

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。