关键词concept representations
搜索结果 - 8
- ICML概念模型中的概念关系理解
使用人类可以理解的概念构建解释的基于概念的可解释性方法为深度学习系统提供了洞察力。通过分析基于概念模型学习的概念表示，我们发现现有的方法缺乏稳定性和鲁棒性，无法准确捕捉概念间的关系。因此，我们提出了一种新算法，利用概念间的关系来提高概念干预 - 基于连续世界的自主代理人群体中的稳健与适应性语言约定的分散出现
通过局部交流互动，该文介绍了一种方法，使得自治体群能够建立一种语言约定，以便指代环境中观察到的任意实体，并且通过一系列实验验证了该方法的可靠性。
- 学习可推广基于概念的模型的辅助损失
我们通过引入概念瓶颈模型（CBMs）和合作 - 概念瓶颈模型（coop-CBM）以及概念正交损失（COL），在各种分布转移设置下的实验中，提出了一种提高神经网络透明度和性能的方法。
- 学习干预概念瓶颈
传统的深度学习模型缺乏解释性，概念瓶颈模型（CBMs）通过其概念表示提供内在解释。本文提出了概念瓶颈记忆模型（CB2M），通过两重记忆，CB2M 能够在新情境中学习推广干预，纠正模型的预测结果，从而自动改进模型性能。实验结果表明 CB2M - 扩散模型的隐藏语言
本文针对文本到图像模型中的特征表征进行了分解，通过学习一个假的标记，将输入文本提示分解为一小组可解释元素，对现有良好的稳定扩散模型进行了应用，我们发现某些概念由特定实例主导，而其他概念则结合具体和抽象的关联术语，此外，我们的方法还可以实现单 - 基于多模态 Transformer 的大脑编码模型可跨越语言和视觉进行转移
本研究旨在探究多模态变形器提供的洞察能力，通过对多模态编码模型进行训练，发现多模态变形器学习了语言和视觉中概念表示的更多对齐性，并且可以有效预测大脑对于故事和电影的 fMRI 反应，从而揭示了多模态处理的潜力和相关的概念表示模型的比较。
- 超越词嵌入：从大规模知识库中学习实体和概念表示
本文提出了一种新颖而简单的技术，将来自不同结构的两个大型知识库中的概念知识（Wikipedia 和 Probase）整合起来，学习概念表示，并在两个任务上评估了概念嵌入模型：类比推理和概念分类，并展示了无监督环境中用于神经语义分析的参数识别 - 使用分散表示消除生物医学和临床概念的歧义
本文报告了一种在生物医学和临床文本领域中进行词义消歧的基于知识的方法。我们结合大规模语料库上创建的词表示和来自 UMLS 的少量定义创建概念表示，然后将其与含糊术语上下文的表示进行比较。使用无关系信息，我们在生物医学领域中已知的数据集（MS