ترجمه فارسی مقاله MusicLIME: درک موسیقی چندوجهی قابل توضیح

چکیده

Multimodal models are critical for music understanding tasks, as they capture the complex interplay between audio and lyrics. However, as these models become more prevalent, the need for explainability grows-understanding how these systems make decisions is vital for ensuring fairness, reducing bias, and fostering trust. In this paper, we introduce MusicLIME, a model-agnostic feature importance explanation method designed for multimodal music models. Unlike traditional unimodal methods, which analyze each modality separately without considering the interaction between them, often leading to incomplete or misleading explanations, MusicLIME reveals how audio and lyrical features interact and contribute to predictions, providing a holistic view of the model’s decision-making. Additionally, we enhance local explanations by aggregating them into global explanations, giving users a broader perspective of model behavior. Through this work, we contribute to improving the interpretability of multimodal music models, empowering users to make informed choices, and fostering more equitable, fair, and transparent music understanding systems.

چکیده به فارسی (ترجمه ماشینی)

مدل های چند مدلی برای کارهای درک موسیقی بسیار مهم هستند ، زیرا آنها تعامل پیچیده بین صوتی و اشعار را ضبط می کنند.با این حال ، هرچه این مدل ها شیوع بیشتری پیدا می کنند ، نیاز به توضیح می یابد-درک می شود که چگونه این سیستم ها تصمیم می گیرند برای اطمینان از عدالت ، کاهش تعصب و تقویت اعتماد بسیار مهم است.در این مقاله ، ما MusicLime را معرفی می کنیم ، یک روش توضیح اهمیت مدل-آگنوستیک که برای مدل های موسیقی چند حالته طراحی شده است.بر خلاف روشهای سنتی غیرمعمول ، که هر روش را به طور جداگانه و بدون در نظر گرفتن تعامل بین آنها ، تجزیه و تحلیل می کند ، اغلب منجر به توضیحات ناقص یا گمراه کننده می شود ، MusicLime نشان می دهد که چگونه ویژگی های صوتی و متن ترانه در تعامل و کمک به پیش بینی ها ، ارائه یک نمای جامع از تصمیم گیری مدل.علاوه بر این ، ما توضیحات محلی را با جمع کردن آنها در توضیحات جهانی تقویت می کنیم و به کاربران چشم انداز گسترده تری از رفتار مدل می دهیم.از طریق این کار ، ما در بهبود تفسیر مدل های موسیقی چند حالته ، توانمندسازی کاربران برای انتخاب آگاهانه و تقویت سیستم های درک موسیقی عادلانه تر ، عادلانه و شفاف ، کمک می کنیم.