基于示例的解释与对抗攻击在呼吸音分析中的应用
声音
2022-03-31 v1 机器学习
音频与语音处理
摘要
呼吸音分类是用于肺炎、哮喘和 COVID-19 等呼吸系统相关疾病远程筛查的重要工具。为促进分类结果的可解释性，尤其是基于深度学习的分类结果，许多利用原型的解释方法被提出。然而，现有解释技术通常假设数据无偏且预测结果可由一组原型示例解释。本工作中，我们开发了一种统一的基于示例的解释方法，用于同时选择代表性数据（原型）与离群值（批评点）。特别地，我们提出一种对抗攻击的新应用，通过迭代快速梯度符号法生成数据实例的解释谱。这种统一解释可通过让人类专家逐例评估模型错误来避免过度泛化与偏差。我们进行了广泛的定量与定性评估，表明我们的方法能生成有效且可理解的说明，并对多种深度学习模型具有鲁棒性。
引用
@article{arxiv.2203.16141,
title = {Example-based Explanations with Adversarial Attacks for Respiratory Sound Analysis},
author = {Yi Chang and Zhao Ren and Thanh Tam Nguyen and Wolfgang Nejdl and Björn W. Schuller},
journal= {arXiv preprint arXiv:2203.16141},
year = {2022}
}
备注
Submitted to INTERSPEECH 2022