走向概念学习的组合性
原文中文,约400字,阅读约需1分钟。发表于: 。利用概念为基础的可解释性方法,通过将其嵌入分解为高级概念,提供了一种深入研究基础模型内部的透视角度。我们展示了现有的无监督概念抽取方法找到的概念并不是可组合的。为了自动发现可组合的概念表示,我们确定了这些表示的两个显著特性,并提出了用于找到符合这些特性的概念的可组合概念抽取算法 (CCE)。我们在图像和文本数据上评估了 CCE,并且结果表明 CCE...
本文介绍了一种基于概念的可解释性方法,通过将其嵌入分解为高级概念,提供了一种深入研究基础模型内部的透视角度。作者提出了一种可组合概念抽取算法 (CCE),并在图像和文本数据上评估了其效果,结果表明 CCE 找到了更多可组合的概念表示,并在四个下游分类任务上取得了更好的准确率。