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

本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法，并证明该方法在几种关系学习任务上比现有技术显著优越，本方法具有预测性，可解释性和鲁棒性。

Mar, 2021

通过一种概率方法所提出的基于监督的深度嵌入方法，可以将来自一个领域的输入映射到一个表征空间中，其中相同类别的实例彼此靠近，而不同类别的实例则相距很远。与现有的局限于确定性的方法不同，该方法假定了围绕类别原型的存在，采用正态分布来处理实例。同时，相对于噪声和超出分布范围的输入，该方法在小样本学习上的表现也更好，并通过各种方式提高了性能。

Sep, 2019

通过使用原型为数据提供抽象表示，这篇研究论文探讨了原型在半监督学习中的应用，通过非监督方式形成数据的表示，以及无监督学习模型中的潜在嵌入和簇状表示的作用。

Jun, 2024

ProtoTEx 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。

Apr, 2022

使用视觉原型概念作为侧面信息，通过将深度网络的输入图像映射到原型嵌入空间，实现对交通标志和商标标志等数据集的图像识别性能的提升，并能够有效地应对零样本学习的情景，从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法。

Dec, 2015

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

本文介绍了使用深度学习模型中的潜在空间数据来学习代表性的原型用于决策过程的阐释，重点关注对二维时间序列数据的分类，如检测临床心动过缓、早产儿呼吸暂停和语音识别，并通过优化原型多样性和稳健性，提高了已有模型的性能。

Apr, 2019

本文提出了一种基于样例理解的自选模型，使用原型概念的线性组合来解释自己的预测，以实现更好的可解释性，并通过多种限制条件进行优化。实验结果表明该方法具有良好的可解释性和竞争性的准确性。

Dec, 2022

探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

Oct, 2023