Oct, 2020

无监督的表达规则提供解释性并帮助人类专家掌握新领域

HTML
PDF
TL;DR本文介绍了一种无监督方法，用于通过基于规则的聚类解析未开发的文本语料库，以揭示其显著类别，从而帮助领域专家进行新任务，并提高解释性及可解释性。
发现论文，激发创造
  • 非监督式识别翻译语言特征

    本研究展示了基于无监督聚类的跨领域原文本和翻译文本分类的高精度方法，并提出了一种用于跨领域数据集的简单聚类方法，以及一种确定聚类结果正确标签的方法。

    Sep, 2016

  • 自适应集成：用于政治文件分析的无监督领域自适应

    该研究提出了一种基于适应性集成的无监督领域自适应框架，具有新颖的文本分类模型和时域训练，适用于历时文献，实验证明其性能优异，与强基准模型相比，更加稳定，具有更好的提取干净语料库的表现，可应用于政治科学等领域的研究。

    Oct, 2019

  • 预训练语言模型中的无监督域聚类

    本文提出了一种基于大规模预训练语言模型的领域数据选择方法，通过度量句子的隐式相似性进行聚类，仅需要少量数据即可有效提高神经机器翻译的准确性。

    Apr, 2020

  • 文本分类可解释性技术的诊断研究

    本文评估了不同的解释方法及其对神经网络和文本分类任务的影响，发现梯度基础的解释方法在不同任务及神经网络结构中表现最佳。

    Sep, 2020

  • 教我解释：可解释自然语言处理数据集综述

    本文总结了解释性自然语言处理领域近年来集中收集人类注释的文本解释，将其分为三类 (highlights, free-text, and structured) 并对其注释方法进行整理，提出了现有采集方法的优点和缺点，给出了未来收集数据集的建议。

    Feb, 2021

  • 关于解释在域外环境中的实证研究

    该论文探索了自然语言处理中有关如何在不同领域中提取精准的解释的方法，其中侧重于后续解释和固有的忠诚度模型，并且发现后续解释的忠诚度在许多情况下比在领域内更高，而在跨域设置中，选择后预测模型的预测性能与完整训练模型相当。

    Feb, 2022

  • 自然语言处理中的模型解释研究综述

    本综述通过对忠实度的镜头，回顾了超过110种自然语言处理中的模型解释方法。我们考虑了忠实度的定义和评估，以及它对可解释性的重要性，并将现有方法分为五类。最后，我们总结了它们的共同优点和未解决的挑战，并反思了未来的研究方向。

    Sep, 2022

  • 人类可以辨识域名吗？

    通过训练分类器来执行相同任务，我们发现不确定性也延伸到了自然语言处理模型中，表明尽管在处理自然语言时领域广泛存在，但人们对其定义却没有共识。

    Apr, 2024

  • 探索使用人类理由的文本分类器的模型性能和解释可信度之间的权衡

    我们提出了一种方法，将人类决策的解释性文本注释引入文本分类模型，从而提高模型解释的可信度，并通过多目标优化算法在性能和可信度之间达到平衡，从而显著提高模型解释的质量。

    Apr, 2024

  • DISCO：作为因果规则发现过拟合的文本分类模型

    本研究针对现有文本分类模型的解释性不足问题，提出了一种新颖的方法DISCO，通过识别因果n-gram关联生成全局规则化解释。这一方法在提取训练数据中的相关文本时，成功找出了模型中潜在的过拟合现象，并提供了一种支持交互式解释的方式，帮助人类检查员识别误导性特征组合，极大增强了解释能力。

    Nov, 2024