- IJCAI一个自说明的神经架构用于可推广的概念学习
利用自我解释的架构跨领域进行概念学习,提出新的概念显著网络、对比学习和基于原型的概念基准规范化方法来解决概念一致性和泛化能力的问题,并在四个实际数据集上展示了方法的有效性。
- CosalPure: 基于群体图像学习鲁棒共同显著性检测的概念
通过学习共显对象的概念,并利用该概念来净化对抗扰动,本文提出了一种新的增强鲁棒性的框架,可以显著提高共显对象检测方法的鲁棒性。
- 将符号先验知识融入神经网络中的概念学习
通过使用元学习方法从符号贝叶斯模型的先验分布生成一组任务集,我们能够将快速概念学习所需的归纳偏倚转移到神经网络中,创造出具有对短逻辑公式表达的概念存在偏倚的神经网络,这些结果与人类表现高度一致。
- 基于脑灵感的计算模型用于类人概念学习
概念学习是人类认知的基本方面,与分类、推理、记忆和决策等心理过程密切相关。通过研究计算神经科学和认知心理学的发现,本文发现大脑对概念的表示依赖于多感官表示和文本派生表示两个关键组成部分,并通过语义控制系统协调这两种表示,最终实现概念的获取。 - CLiC:上下文中的概念学习
从图像中学习对象的局部视觉模式并生成描绘具有该模式对象的图像,通过在对象的更广泛背景下获取局部视觉概念并应用于目标图像的对象,实现了对象生成和概念定位的有效方法。
- 通过概念瓶颈解读预训练语言模型
利用高层次、易于理解的概念来解释预训练语言模型的方法,通过人工标注和机器生成的概念来提取隐藏神经元,从而增强模型的鲁棒性和解释能力。
- 表示、索引和操作概念的简单机制
利用深度网络,基于概念分类器通过梯度下降的训练,我们提出通过观察概念的矩阵统计特征来生成其具体表示或特征签名,进而发现概念集合之间的结构,并通过学习这些特征签名的结构递归生成更高级的概念。当概念相交时,利用概念的特征签名可以找到一种共同主题 - 基于网格的强化学习环境中的通用和可解释知识学习
使用程序合成方法对深度强化学习代理进行模仿,以了解其学习的概念和决策过程。
- CBCL-PR:一种在机器人领域实现逐类增量学习的认知启发模型
通过受海马体和新皮质概念学习理论启发,我们提出了一种新颖的框架来解决小样本类递增学习的问题,在两个对象分类数据集上评估了框架的性能,结果显示其具有类递增学习和小样本类递增学习的最新技术水平,并通过在机器人上演示表明我们的框架在有限的人类辅助 - 概念中心 Transformer:基于物体概念学习的概念 Transformer,用于可解释性
我们提出了以目标为中心的 “Concept-Centric Transformers”(CCT),通过整合基于面向对象学习的新型概念提取模块,提供更强大的解释性和性能,与 CT 和其他现有方法在 MNIST(奇偶),CIFAR100(超类) - 学习描写逻辑概念的置换不变嵌入
该论文提出了一个新的学习方法 NERO,重塑了学习问题并将其作为一种多标签分类问题,通过排名预测出的得分,无需进行过多的探索即可检测到可能的目标概念,并在搜索流程中使用排名靠前的概念来提高状态 - 最先进的符号模型的性能。在 5 个基准数据 - AAAI面向概念表示评估的鲁棒度量方法
本文介绍了在 deep learning 模型的 concept-based explanations 框架下使用 disentanglement learning 模型的相关指标来评估 concept representations 的纯 - 神经场上的 3D 概念基础
本文提出了一种利用神经场进行三维概念定位、分割和学习的方法,并通过问题回答来实现可微分的模型训练,实现了在语义和实例分割、三维视觉推理任务中的性能提升。
- C-SENN:对比自说明神经网络
本研究使用自解释神经网络(SENN)通过无监督学习自动获取易于理解的概念,结合对比学习和概念学习来提高模型的可读性和准确性,提出了对比自解释神经网络(C-SENN)模型,为实现自动驾驶等现实场景下的解释性提供了解决方案。
- 学习概念长度加速 ALC 中的概念学习
通过神经网络进行概念长度预测,优化基于细化算子的概念学习方法,提出 CLIP 算法,可实现 ALC 概念学习的有效加速,且精度得到提升。
- 黑盒概念学习模型的优势和风险
介绍了一种中间嵌入概念学习的机器学习模型,其预测性能可以和黑盒预测模型相媲美,但是这些模型学习到的概念表示却可能包含超越预定义概念所能描述的信息,进而导致预测解释存在误导性,研究探讨了信息泄漏的机理,并建议了有效的应对方法。
- ACL基于语言媒介的物体中心表示学习
Language-mediated, Object-centric Representation Learning 是一种学习物体中心场景表示的新范式,通过从语言输入中获取物体中心概念来促进物体中心表示的学习,并能结合无监督的物体探索算法, - Bongard-LOGO: 人类水平的概念学习和推理新基准
通过提出 Bongard-LOGO 基准来评估人类概念学习和推理,我们展示了先前方法的不足之处,并讨论了适用于解决此类基准的一般视觉推理架构的研究方向。
- Adversarial TCAV-- 神经网络中间层的稳健有效解释
对于神经网络决策和中间层所学习的信息的解释仍然是一项挑战,该研究调查了神经网络中间层的概念激活可靠性的提高方法,包括对抗性概念激活向量和 Gram-Schmidt 过程改进,这可以提高其对不同随机种子的收敛性和可回忆性。
- 视觉概念 - 元概念学习
本研究提出了一种基于视觉概念 - 元概念学习器(VCML)的概念和元概念共同学习的方法,利用视觉表征为预测概念间关系提供基础,并通过学习元概念来弥补数据缺失、误差等问题。实验验证了该方法的有效性。