2 个月前

具有可解释性的SincNet卷积滤波器

Mirco Ravanelli; Yoshua Bengio
具有可解释性的SincNet卷积滤波器
摘要

深度学习目前在实现更高层次的人工智能方面发挥着关键作用。这一范式使得神经网络能够学习复杂的抽象表示,这些表示是通过逐步组合更简单的表示而获得的。然而,当前神经架构自动发现的内部“黑箱”表示通常缺乏可解释性,因此研究可解释的机器学习技术成为首要关注点。本文总结了我们近期为直接从原始波形处理语音而开发更具可解释性的神经模型所做的努力。特别是,我们提出了SincNet,一种新颖的卷积神经网络(CNN),该网络通过利用参数化的sinc函数来促进第一层发现更有意义的滤波器。与标准CNN不同的是,标准CNN会学习每个滤波器的所有元素,而SincNet仅从数据中直接学习带通滤波器的低截止频率和高截止频率。这种归纳偏置提供了一种非常紧凑的方法来推导一个定制的滤波器组前端,该前端仅依赖于一些具有明确物理意义的参数。我们在说话人识别和语音识别实验中表明,所提出的架构比标准CNN收敛更快、性能更好且更具可解释性。

具有可解释性的SincNet卷积滤波器 | 最新论文 | HyperAI超神经