★ 2
LLM引导概念整合的可解释移动感知预测
研究提出概念整合 Transformer（CIT），利用预训练大模型生成带置信权重的基线感知概念异常目标，无需人工标注即可实现可解释预测。在两个纵向数据集上，CIT 在 AFFECT 上取得最高 F1（0.756），在 PHQ-9 数据集上并列最高（0.765）。学习到的概念分数揭示了可解释的行为…
arXiv cs.LG49 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究提出概念整合 Transformer（CIT），利用预训练大模型生成带置信权重的基线感知概念异常目标，无需人工标注即可实现可解释预测。在两个纵向数据集上，CIT 在 AFFECT 上取得最高 F1（0.756），在 PHQ-9 数据集上并列最高（0.765）。学习到的概念分数揭示了可解释的行为…