本文提出了一种基于梯度的 IAGA 框架，通过少量解释注释来解释复杂神经网络的 ABSC 模型，以提高模型的可解释性，性能和鲁棒性。

Feb, 2023

本文提出了一个名为 CVIB 的新型对比变分信息瓶颈框架，用于减少深度模型在输入特征和输出标签之间的虚假关联问题，并通过在原始网络和自剪枝网络之间使用对比学习来同时优化这两个网络。实验表明，该方法在整体预测性能、鲁棒性和泛化性等方面均优于强竞争对手。

Mar, 2023

该研究提出了一种名为 KGAN 的知识图增强网络，旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征，然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示，并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验，并在所有数据集中实现了最先进性能的新纪录。

Jan, 2022

本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。

Oct, 2020

本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

May, 2018

研究开发了一种名为信息瓶颈方法的技术，该技术可以生成自然而准确的自由文本解释来解释自然语言生成模型的输出，并且在两个领域任务的自动评估和人类评估中得到了验证。

Dec, 2022

在这项研究中，我们提出了一种新颖的解释性图神经网络框架（PGIB），将原型学习与信息瓶颈框架相结合，为模型预测提供关键子图的原型。通过广泛的实验和定性分析，证明了 PGIB 在预测性能和可解释性方面优于最先进的方法。

Oct, 2023

该研究利用 Information Bottleneck 原理和深度神经网络，采用互信息和压缩等技术，针对高维随机向量实现了对一般深度神经网络的信息瓶颈分析，并在一个近实际规模的卷积深度神经网络上揭示了互信息动态的新特征。

May, 2023

本文从监督解缠角度实现信息瓶颈方法，引入 DisenIB，以最大压缩的方式坚持最大化压缩源，而不会损失目标预测性能。理论和实验结果表明，我们的方法在最大压缩方面是一致的，并在泛化、对抗攻击鲁棒性、超出分布检测和监督解缠等方面表现良好。

Dec, 2020

本文提出了一种新颖的 Aspect-Guided Deep Transition 模型（AGDT），该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码，以重构给定的方面与生成的句子表示相结合的面向方面的目标，从而能够准确生成面向方面的句子表示形式，进而进行更准确的情感预测，并通过多个 SemEval 数据集的实验结果表明，我们提出的方法明显优于最佳报道结果。

Sep, 2019