实体
Clif
Clif
PulseAugur coverage of Clif — every cluster mentioning Clif across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
时间线
- 2026-05-19 research_milestone Publication of a new research paper introducing CLIF for concept-level influence functions in NLP models. 来源
最近 · 第 1/1 页 · 共 3 条
-
新基准探索生成式医疗AI模型的标记化
研究人员开发了一个实用的生成式医疗事件模型基准，重点关注标记化策略。他们的研究评估了各种方法，包括量化粒度、参考范围锚定、代码-值融合以及不同的数字/时间编码。研究结果表明，将代码与值十分位数融合显著提高了性能，而显式时间标记的性能不如事件顺序和入院相对嵌入。将数据映射到通用纵向重症监护单元数据格式（CLIF）在训练标记数量方面也更有效，并提高了性能。
-
关于NLP模型可解释性的研究论文从arXiv撤回
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。
-
新的CLIF方法使用概念级影响函数增强NLP模型的可解释性
研究人员开发了CLIF，一种使用影响函数来提高NLP模型可解释性的新方法。该方法可以识别有益和有害的影响训练数据点，并通过调整这些样本来恢复性能，而无需重新训练。CLIF还分析了概念瓶颈模型内的概念级影响，从而深入了解决策过程。