כתבה
arXiv cs.LG ·
AFA-Net: גישת תשומת לב דיפרנציאלית לזיהוי קשב שמיעתי
AFA-Net: A Differential Attention Approach for Auditory Attention Detection
AFA-Net היא גישה חדשה לזיהוי קשב שמיעתי, המשתמשת במנגנון תשומת לב דיפרנציאלי. היא מגיעה לדיוק של 96.8% בחלון החלטה של 2 שניות, תוך שימוש במספר משתנים נמוך יותר משיטות קיימות.
תקציר מקורי באנגליתarXiv:2609.31402v1 Announce Type: cross Abstract: Auditory Attention Detection (AAD) utilizes electroencephalographic (EEG) signals to identify a target speaker in a multi-speaker environment. Despite considerable progress, existing deep learning architectures often lack explicit mechanisms for handling noisy EEG data. To address this limitation, we propose Auditory Focus Attention Networks (AFA-Net), a machine learning framework that replaces vanilla attention with a simple yet flexible differential attention mechanism to help focus on task-relevant neural activity. AFA-Net achieves an upward accuracy of 96.8% at the 2s decision window, while using substantially fewer parameters than most existing methods. To the best of our knowledge, AFA-Net is among the first frameworks to explicitly t
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית