Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
구어 장애 심각도 평가를 위해 딥러닝 모델의 블랙박스 문제를 해결하는 영향력 기반 설명 가능성 프레임워크를 제안합니다. 그래디언트 기반 근사치를 사용하여 각 예측에 영향을 미치는 지지적 및 경쟁적 학습 샘플을 식별하고 검증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기구어 장애 (Dysarthria) 심각도 평가는 치료 계획 수립 및 종단적 모니터링 (longitudinal monitoring)을 위해 필수적이지만, 수동적인 지각 평가 (perceptual rating)는 시간이 많이 소요되며 임상의마다 변동성이 있습니다. 딥러닝 (deep learning) 모델들이 강력한 성능을 달성하고 있음에도 불구하고, 이들의 블랙박스 (black-box) 특성은 임상 도입을 제한합니다. 기존의 음성 설명 가능성 (speech explainability) 방법들은 일반적으로 최종 사용자가 해석하기 어려운 음향 특징 (acoustic feature) 중요도 점수를 제공합니다. 본 연구에서는 지지적 (supportive) 및 경쟁적 (competing) 학습 샘플을 통해 각 결정을 설명하는 영향력 기반 (influence-based) 인스턴스 수준 (instance-level) 설명 가능성 프레임워크를 제안합니다. 그래디언트 기반 영향력 근사치 (gradient-based influence approximations)를 사용하여, 각 발화별 영향력 점수를 계산함으로써 각 예측에 대한 지지적 및 경쟁적 학습 샘플을 식별합니다. 5%에서 20% 사이의 제어된 삭제 실험 (controlled deletion experiments)을 통해 설명을 검증하였으며, 영향력이 높은 샘플을 제거하면 예측이 체계적으로 변화함을 보여주었습니다. 이 접근 방식은 결정을 인지 가능한 참조 사례 (perceptible reference cases)와 연결함으로써 감사 가능한 (auditable) 설명을 제공합니다.