摘要

变压器模型在音频处理任务中已经设立了新的基准，通过利用自注意力机制捕捉音频数据中的复杂模式和依赖关系。然而，它们对成对交互的关注限制了其处理识别不同音频对象所需的高阶关系的能力。为了解决这一局限性，本研究引入了一种基于图的模型——局部高阶图神经网络（LHGNN），该模型通过整合局部邻域信息和模糊C均值聚类（Fuzzy C-Means）的高阶数据来增强特征理解，从而捕捉更广泛的音频关系。在三个公开可用的音频数据集上对该模型进行评估的结果表明，它在所有基准测试中均优于基于变压器的模型，并且参数数量显著减少。此外，LHGNN在缺乏ImageNet预训练的情况下表现出明显优势，证明了其在没有大量预训练数据的环境中依然具有高效性和有效性。