English(EN) CLIF: Concept-Level Influence Functions for Transparent Bottleneck Models

关于NLP模型可解释性的研究论文从arXiv撤回

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-26 04:00

一篇题为“CLIF: 面向透明瓶颈模型的概念级影响函数”的研究论文被提交至arXiv，提出了一种增强NLP模型可解释性的新颖方法。该方法利用影响函数来识别概念瓶颈模型中的有影响力的训练样本和关键概念，从而实现数据调试和模型行为的可观察改变。然而，该论文已被作者撤回。 AI

影响这项关于模型可解释性的研究，尽管已被撤回，但突显了理解复杂AI系统所面临的持续挑战和现有方法。

排序理由该集群包含一篇被撤回的讨论新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yike Sun, Mingkun Xu, Mu You, Zhongzhi He, Henghua Shen, Zehan Tan, Derek F. Wong, Tao Fang · 2026-05-26 04:00

CLIF: 概念级影响函数用于透明瓶颈模型

arXiv:2605.19848v2 Announce Type: replace Abstract: In recent years, the black-box nature of deep learning models has limited their application in high-stakes domains such as medical diagnosis and finance, where interpretability is essential. To address this, we propose a novel a…