Achieving Efficient Word-Level Interpretability through Literal Pruning
原文英文，约100词，阅读约需1分钟。发表于：。本研究针对自然语言处理中的可解释性问题，提出了一种新的后处理修剪算法，旨在简化Tsetlin Machine模型中的字面量组合，使其更易于人类理解。研究表明，经过修剪的模型在与人类注意力图的一致性方面优于原始模型，并在准确性上有所提升，具有重要的潜在应用价值。
本研究提出了一种新算法，以提高Tsetlin Machine模型的可解释性。经过修剪的模型在与人类注意力图的一致性和准确性方面均有所提升，具有重要的应用价值。
