ACLApr, 2022

ProtoTEx: 用原型张量解释模型决策

PDF
TL;DRProtoTEx 是一种基于原型网络的新型白盒 NLP 分类体系结构，其通过原型张量解释模型决策，可在处理没有代表性特征的类别时有效地处理，可精准检测网络新闻中的宣传，并通过原型解释帮助非专业人士更好地识别宣传。
发现论文，激发创造
  • 看起来比那个更好：使用 ProtoPNeXt 获得更好的可解释模型

    使用 ProtoPNeXt 框架，结合贝叶斯超参数调整和角度原型相似度度量，有效提高了原始 ProtoPNet 在 CUB-200 上的准确性，同时优化了原型的可解释性，产生了具有显著改进的模型。

    Jun, 2024

  • ProtoS-ViT：稀疏自解释分类的视觉基础模型

    冷冻预训练的 ViT 后骨干能有效地转化为示范性模型，提高模型的准确性、简洁性和可解释性，通过一系列定量和定性指标评估模型可解释性。

    Jun, 2024

  • 深度学习通过原型进行基于案例的推理：一种解释其预测的神经网络

    本文中，我们提出一种新的深度学习网络架构，其中包含自编码器和原型层，这种网络可以自然地解释每个预测的原因，并且能够进行分类。

    Oct, 2017

  • 深度学习用于可解释的自然语言处理

    利用原型学习方法和自然语言处理，我们提出了一种学习加权相似度度量的方法，增强了相似度计算，并提出了一个可提取预测相关单词的解释机制来改进预测性能和解释质量。

    Oct, 2023

  • 基于原型引导的可解释反事实解释

    使用类原型的快速、模型无关方法可以找到分类器预测的可解释因果关系解释，并且该方法通过两个新的度量标准在实例级别上定量评估局部可解释性。该方法在图像数据集 MNIST 和表格数据集 Breast Cancer Wisconsin（Diagnostic）上得到了有效的验证，同时消除了由于数值梯度评估而产生的计算瓶颈。

    Jul, 2019

  • 利用方差感知的典型网络从放射学报告中元学习病态

    本文提出了一种为 few-shot 文本分类的经典网络增加高斯类原型和一种鼓励示例靠近适当类别中心的正则化项的简单方法，表明该方法比 13 个公共数据集和 4 个内部数据集的各种强基线更为出色，并将类分布作为检测潜在的部署时油水分离数据点的工具。

    Oct, 2022

  • 借助原型实现可解释和可控的序列学习

    提出了 ProSeNet，该方法利用几个基准示例作为原型，从案例推理中获取自然解释，可以提供高准确度和可解释性，可用于各种应用领域中的序列建模和预测诊断。

    Jul, 2019

  • 可解释图像识别的原型解释

    通过量化影响色调、形状、纹理、对比度和饱和度的视觉特征，提高基于原型的图像识别的可解释性。

    Nov, 2020

  • 通过原型概念解释验证深度模型决策的 (非) 常规理解

    本文提出了一个基于概念的后续解释 AI 框架，通过原型模型不仅传达了每个实例的决策策略 (局部)，而且还传达了整体的类别决策策略 (全局)，从而降低了对人类长期评估的依赖，并使模型验证成为一个直观且可解释的工具。

    Nov, 2023

  • Protoformer: 使用原型嵌入 Transformer

    Protoformer 是一种新颖的自学习框架，其适用于 Transformers 以解决真实世界数据中包含的异常和嘈杂标签等挑战，可以提高当前 Transformers 在各种经验设置中的准确性。

    Jun, 2022