Feb, 2022

利用概念激活向量在推荐系统中发现软属性的个性化语义

PDF
TL;DR利用概念激活向量（CAVs）来学习用户语义意图，将其与用户喜好和行为联系起来，并能够通过互动评论来提高推荐准确性的交互式推荐系统。
interactive recommender systemsconcept activation vectorsuser preferencesuser behaviorsinteractive critiquing
发现论文，激发创造
  • 强韧的语义可解释性：重新审视概念激活向量

    该研究提出了一种基于 Robust Concept Activation Vectors 的诠释方法，用于评估图像分类模型的可靠性和模型是否存在系统偏差。该方法关注语义概念，如纹理、颜色和性别等，通过梯度上升来评估模型对给定概念的敏感性，并构建了两个基准数据集来评估本方法的实际可用性和科学用途。

    Apr, 2021

  • 交互推荐中的软属性偏好征求

    基于软属性，利用概念激活向量开发了一种新颖的偏好征集方法，结合了物品和属性的偏好征集，以提高推荐系统的推荐质量。

    Oct, 2023

  • 理解概念激活向量：解释可解释性

    使用概念解释将深度学习模型的内部表示转化为人类熟悉的语言，最近的解释性方法提议采用基于概念的解释。本文研究了 Concept Activation Vectors (CAVs) 的三个性质，它们可能在不同层次之间存在不一致性，与不同概念纠缠在一起，并具有空间依赖性，这些性质为解释模型提供了挑战和机会。同时，我们还介绍了工具来检测这些性质的存在，并提供洞见以了解它们对解释的影响，并提出减小它们影响的建议。通过理解这些性质，我们可以利用它们的优势。例如，我们引入了具有空间依赖性的 CAVs 来测试模型在特定概念和类别上是否具有平移不变性。我们在 ImageNet 和一个新的合成数据集 Elements 上进行实验。Elements 旨在捕捉概念与类别之间已知的真实关系。我们发布此数据集以促进对解释性方法的进一步研究和评估。

    Apr, 2024

  • 概念激活向量（Concept Activation Vectors）的数量化测试：超越特征归属的可解释性（Interpretability Beyond Feature Attribution）

    通过引入概念激活向量 (CAVs) 来解释深度学习模型的内部状态，通过 TCAV 技术使用方向导数量化用户定义的概念对分类结果的重要程度，从而探索研究标准图像分类网络和医学应用。

    Nov, 2017

  • 关于推荐系统的软属性解释和测量

    讨论了如何稳定地解释推荐系统中的自然语言细化 (或批评)，提出了一种基于个性化相对语句的更自然的表述方式，并提供一组评分方法，从无监督到弱监督到全监督，在解释和处理软属性的基础上提供了方案。

    May, 2021

  • 可解释的时尚推荐：一个基于语义属性区域引导的方法

    该研究提出了一种新型语义属性可解释推荐系统（SAERS），通过对细粒度的语义空间建立和用户偏好的注意力机制，给用户提供服装推荐，并在视觉上解释推荐原因的个性化方式。该方法在真实数据集上进行的大量实验表明其效果显著。

    May, 2019

  • 基于知识图谱的语义融合改进对话式推荐系统

    本论文介绍了一种使用知识图谱和互信息最大化技术的对话式推荐系统，通过增强对话数据表示来解决上下文信息不足以及自然语言表达和用户偏好之间的语义鸿沟问题，从而在推荐和对话任务方面提高了性能。

    Jul, 2020

  • 知识图谱用于实证概念检索

    基于概念的可解释人工智能利用经验性定义的概念和通用知识图谱，为用户提供个性化的解释方式，并通过基于经验概念数据集的概念激活向量和概念激活区域方法来提供稳健准确的解释。

    Apr, 2024

  • 多标准推荐系统促进在线杂货业务

    通过使用词袋和基于神经网络的文档组合方法（Doc2Vec），本研究提出了产品、包装和健康三个标准的在线食品杂货推荐系统，通过使用这两种文档表示方法，在产品特性（成分、包装、营养表，过敏原等）等方面提供最佳的推荐，调查结果显示基于神经网络的 Doc2Vec 方法的表现更好且完全改变了结果。

    Dec, 2023

  • PatClArC：使用模式概念激活向量进行噪声鲁棒性模型调试

    本文介绍了一种名为 PCAV 的模式概念激活向量，用于在潜在空间中实现噪声鲁棒的概念表示，并证明了基于模式的人工建模对 CAVs 的应用具有有益的影响。

    Feb, 2022