Explainable Deep Learning Analysis for Raga Identification in Indian Art Music

“Raga识别”是音乐信息检索中一个非常流行的研究问题。少数研究探索了这个任务，采用了各种方法，如信号处理、机器学习（ML）方法，以及最近的基于深度学习（DL）的方法。然而，所有这些工作中仍存在一个关键问题：这些ML/DL方法是否以类似于人类专家的方式学习和解释Raga？此外，这项研究的一个重要障碍是缺乏丰富的标记数据集，这驱动了这些基于ML/DL的方法。在本文中，我们介绍了“Prasarbharti Indian Music”第1版（PIM-v1），这是一个新的数据集，包括191小时的精心标记的北印度古典音乐（HCM）录音，据我们所知，这是HCM录音中最大的标记数据集。我们的方法涉及进行消融研究，以使用PIM-v1数据集找到自动Raga识别（ARI）的基准分类模型。我们针对12个Raga类别的子集实现了0.89的块级F1分数。随后，我们采用模型可解释性技术来评估分类器的预测，以确定它们是否与Raga的人类理解相一致，还是由任意模式驱动。我们通过比较两个ExAI模型给出的解释与人类专家注释来验证模型预测的正确性。在此基础上，我们分析单个测试示例的解释，以了解解释中突出显示的区域在模型进行正确或错误预测时的作用。

本文旨在解决音乐信息检索中的Raga识别问题。作者试图验证机器学习/深度学习方法是否能够像人类专家一样学习和解释Raga。此外，由于缺乏大量的标记数据集，作者还提出了一个包含191小时的Hindustani Classical Music录音的数据集。

本文提出了一个基于深度学习的自动Raga识别模型，并使用作者提供的数据集进行了验证。通过对模型的解释，验证了模型的预测与人类专家的注释相一致。

本文的亮点包括：提供了一个大规模的Hindustani Classical Music数据集；提出了一个基于深度学习的自动Raga识别模型；使用模型解释技术验证了模型的预测与人类专家的注释相一致。

与本文相关的研究包括：使用不同方法进行自动Raga识别的研究，如信号处理、机器学习等。其中一些研究包括："A Comparative Study of Raga Recognition Techniques for Indian Classical Music"和"Automatic Raga Recognition using Convolutional Neural Networks"。