MUSE-Explainer: 用于符号音乐图分类模型的反事实解释
声音
2025-10-01 v1 人工智能
摘要
解释性对于部署深度学习模型进行符号音乐分析至关重要，但大多数研究侧重于模型性能而非解释。为此，我们引入MUSE-Explainer，一种新方法，帮助揭示如何通过提供清晰、人类友好的解释来阐明音乐图神经网络模型的决策方式。我们的方法通过对音乐记谱图进行小而有意义的更改来生成反事实解释，这些更改会改变模型的预测，但确保结果在音乐上具有可理解性。与现有方法不同，MUSE-Explainer 针对音乐数据的结构进行定制化，并避免产生不切实际或令人困惑的输出。我们在一个音乐分析任务上评估了该方法，展示它提供的直观见解可通过诸如 Verovio 等标准音乐工具进行可视化。
引用
@article{arxiv.2509.26521,
title = {MUSE-Explainer: Counterfactual Explanations for Symbolic Music Graph Classification Models},
author = {Baptiste Hilaire and Emmanouil Karystinaios and Gerhard Widmer},
journal= {arXiv preprint arXiv:2509.26521},
year = {2025}
}
备注
Accepted at the 17th International Symposium on Computer Music Multidisciplinary Research (CMMR) 2025