PofoliaPofolia ile paylaşıldı

PLoS Computational Biology· 2026Q1

Konuşmanın yorumlanabilir gömülmeleri, ses modellerinin beyin kodlama performansını açıklar ve geliştirir

Interpretable embeddings of speech explain and enhance the brain encoding performance of audio models

Riki Shimizu, Richard Antonello, Chandan Singh, Nima Mesgarani

Kısa özet

Konuşma temel modellerinin (KT'ler) beyin tepkileriyle uyumu, büyük ölçüde yorumlanabilir konuşma özelliklerini kodlama yetenekleriyle açıklanabilir; katmanlar arasında düşük seviyeli ve yüksek seviyeli özellik kodlaması arasında bir denge söz konusudur.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Ana noktalar

  • KT'lerin beyin tepkileriyle uyumu, büyük ölçüde yorumlanabilir konuşma özelliklerini kodlama yetenekleriyle açıklanmaktadır.
  • KT'ler, model katmanları arasında düşük seviyeli ve yüksek seviyeli beyinle ilgili özellikleri kodlama arasında bir denge sergilemektedir.
  • KT'ler, model boyutu ve bağlam uzunluğu ile artan beyinle ilgili anlamları öğrenir.
  • KT gömülmelerini yorumlanabilir özelliklerle zenginleştirmek, kodlama modellerinin yorumlanabilirliğini ve doğruluğunu artırabilir.

Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.

Özet (abstract)

Speech foundation models (SFMs) are increasingly hailed as powerful computational models of human speech perception. However, since their representations are inherently black-box, it remains unclear what drives their alignment with brain responses. To remedy this, we built linear encoding models from six interpretable feature families: mel-spectrogram, Gabor filter bank features, speech presence, phonetic, syntactic, and semantic features, and contextualized embeddings from three state-of-the-art SFMs (Whisper, HuBERT, WavLM), quantifying electrocorticography (ECoG) response variance shared between feature classes. Variance-partitioning analyses revealed several key insights: First, the SFMs' alignment with the brain can be mostly accounted for by their ability to learn and encode simple interpretable speech features. Second, SFMs exhibit a systematic trade-off between encoding of brain-relevant low-level and high-level features across layers. Finally, our results show that SFMs learn brain-relevant semantics which cannot be accounted for by lower-level speech features, with this capacity increasing with model size and context length. Together, our findings suggest a principled approach to build more interpretable, accurate, and efficient encoding models of the brain by augmenting SFM embeddings with interpretable features.

Yazarların özeti; kaynağından alınmıştır. PLoS Computational Biology, 2026 · DOI ↗

ÇıkarımlarPremium
Makaleye SorÜcretsiz hesapla

Ücretsiz hesapla devam et

Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.

Web'de ücretsiz devam et

Google ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.

Telefonda:

Alan: Sinyal İşleme

Signal ProcessingComputer Science