Focal Modulation Networks for Interpretable Sound Classification

深度神经网络越来越成功，但由于它们的黑盒性质，解释性和信任方面面临挑战。虽然在视觉和语言领域已经广泛探索了解释技术，但音频领域的可解释性受到了限制，主要集中在事后解释上。本文利用最近提出的无注意力聚焦调制网络(FocalNets)，首次将其应用于环境声音分类任务，解决了音频领域设计性可解释性的问题。我们在流行的ESC-50数据集上评估了FocalNets的可解释性属性。我们的方法在准确性和可解释性方面都优于同样大小的视觉变换器。此外，它与PIQ竞争，后者是专门设计用于音频领域的事后解释方法。

本文旨在解决深度神经网络黑盒特性带来的解释性和可信度问题，提出了一种利用注意力机制的FocalNets方法，以实现音频领域的可解释性。

本文提出了一种注意力机制的FocalNets方法，通过设计可解释性，实现音频分类任务。相比于当前领域的研究，本文的方法更加注重可解释性。

本文在ESC-50数据集上评估了FocalNets的可解释性，相比于类似大小的视觉变压器，FocalNets在准确性和可解释性上表现更好。此外，本文的方法在音频领域的可解释性解决方案PIQ上也有一定竞争力。

在音频领域的可解释性方面，目前主要集中在后续解释方案上。近期的相关研究包括《Towards Explainable AI: A Systematic Review of Explainable Artificial Intelligence Research》、《Interpretability in Audio Classification: a Survey》等。