可解释性

共分析 137 篇 ICML 2026 论文

论文用保留目标音频只改无关历史的对照和分层干预，证明无关历史值会定向拉偏答案，且问谁的信号不能独自关断竞争值的影响，选择题干扰还会留在问题-候选项状态中。

针对人工标注少而编码失真多的问题，该工作用 PEAQ 感知前置特征接 ConvNeXt 做对比学习与微调，并用梯度回传解释失真类型和位置，代价是对非波形保持信号的评价能力受限。

论文用类别对比神经元选择加匹配随机对照的消融，证明三个模型中 0.5% 解码器神经元能大幅平移认知障碍二选一决策的偏置并可跨语音文本与语料迁移，而监督线性读出显示诊断信息广泛分布在更大神经元集合中。

论文在 text2midi 与 MIDI-LLM 上建立观察加干预的验证流程，发现只有经过音符密度校正和置换校准的观察证据能筛出可操控特征，其中合成主音特征经预设确认与重复验证能稳定引入目标乐器，而代价是大量原始相关与自动描述在对照下失效且单特征干预效应普遍较小。

论文用位置对齐的探针与等范数干预证明，VoxCPM2 中说话人信息处处可解码，但只有早期参考音频位置的成对对齐改写能稳定地把合成语音推向目标说话人，而这还依赖下游可达的合成通路。

该文把被动检测改写为多证据假设推理，用方向引导的三分支编码器加语言模型输出结构化报告，在仿真白噪声与混合海洋背景下实现可靠检测与方位估计，但距离估计未超越中值基线且结论限于仿真网格环境。

NarraSpace 针对 Cookie Theft 看图说话的痴呆分类问题，用固定场景图式把词语、语音时间和事件取回文本组织成可检查的证据，再用冻结语言模型做事件级类比打分与常规分类器结合，在官方 48 人测试集上平均准确率 80.88%，代价是小样本下家族贡献不确定且评估仍属探索性。

论文用 ASVspoof 5 研究冻结 WavLM Base 各层区分真假语音的能力，发现中深层最具判别力、5 层组合优于 13 层全用，而深层更敏感于抖动等嗓音质量线索，但对抗攻击在所有层都难以检测。

论文把水下识别从输出类别标签改为输出包含船名、工况、轴频、桨叶通过频率和机械线谱的结构化描述，用三路时频表示加四项物理任务训练的 UPT 编码器对接冻结的 Qwen3-4B-Instruct，在四船仿真数据的两个信噪比段上取得高分类精度和毫赫兹级频率误差，代价是结论只在仿真可追溯条件下成立且机械与信噪比估计对噪声更敏感。

论文比较并行多头与事件到场景的分层条件架构在联合声学场景分类与音频标注中的训练动态与表示结构，发现分层结构分类性能相当但在特定损失权重下实现同步学习，并以更低条件熵和更高互信息形成更集中的事件瓶颈，代价是完全依赖事件词表可能丢失环境整体质感。

论文用平均词段的二维投影发现圆周式词计时轨迹，再用旋转切分在 HuBERT 第 9 层上以 64.3% 边界 F1 和 39.8% 词 F1 切分出单个词，而未训练模型与对数梅尔特征不能做到同等实例级切分。

论文用定位去除与等大随机去除的配对比较检验断言是否依赖特定音频区域，发现空白基线的优势主要来自删除时长，而定位是否有效与解码纠正能否起作用都随模型而变化。

论文以巴赫众赞歌终止式为切口，说明 Aria 模型的和声决策从中间层开始逐步形成，先出现调式后出现具体调性，并证明沿探针方向做推理时干预可以稳定改变终止走向且保持结构完整，但结论只在众赞歌这类规范和声语料上得到验证。

论文把 Freesound 上的下载量和平均评分转成下载三分类与评分四分类，用元数据、平台声学描述子、eGeMAPS 和 MERT 四类特征比较随机森林、XGBoost 和 MLP，发现下载量靠元数据预测最好而音乐评分靠平台声学描述子最好，但 eGeMAPS 和 MERT 在短音效上基本失效。

RespFocus 针对只有周期类别而无事件标注的呼吸音分类，用共享异常证据引导的双分支多示例学习分别汇聚短促爆裂音峰值与持续哮鸣多点响应并组合成四类判决，在 ICBHI 与 PedResp2026 上取得 69.55% 与 72.91% 的 Score，代价是依赖已给周期边界与双预训练特征且儿科新队列规模仍有限。

论文用同一分类器比较手工韵律特征与冻结自监督表示在两套语料上区分对儿童说话和对成人说话的能力，最强证据是实验室语料上大模型达到约 91.7% 准确率而日常语料仅约 64.4%，代价是协方差池化首层参数膨胀到约 150.8 百万却没有带来对应提升。

论文在冻结语音编码器上加 TopK 稀疏自编码器并把稀疏单元路由到语言与副语言两路，用路由监督加交叉对抗实现保留与抑制的分工，独立探针与路由交换实验显示了跨编码器和跨语料的一致分离，但重建误差上升且依赖有标注的任务监督。

论文用三套 RAVE 模型与 EnCodec 对照，沿解码器逐层测量音高、速度与频谱特征的单神经元相关、超随机比例与联合探针可恢复性，发现合成音编码最强最线性、自然音频需非线性联合读取、联合编码在中间层最强，并只有速度能从跨层聚类中获益。

针对用户级标注与视频级行为异质性不一致的问题，BehavDep 用 TopK 稀疏自编码器拆分视频表征并对齐抑郁行为概念，再学视频级倾向分数做加权聚合，在 MUD3 和 DAIC-WOZ 上取得最高准确率与 F1，代价是两阶段训练与概念集依赖文献先验。