interpretable专题
Reasoning on Graphs: Faithful and Interpretable Large Language Model Reasonin
摘要 大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理过程中缺乏最新的知识和经验幻觉，这可能导致不正确的推理过程，降低他们的表现和可信度。知识图谱(Knowledge graphs, KGs)以结构化的形式捕获了大量的事实，为推理提供了可靠的知识来源。然而，现有的基于kg的LLM推理方法只将kg作为事实知识库，忽略了其结构信息对推理的重要性。在本文中，我们提出了一
论文笔记：Interpretable Deep Models for ICU Outcome Prediction
使用mimic learning用来更精确分分类。 核心：retrain
Multi-Objective Molecule Generation using Interpretable Substructures
2021/7/22 摘要：药物设计问题旨在发现满足目标化学性质要求的新分子结构，当面对多性质优化问题时这项工作便变得极其困难。本文提出了一种解决这种复杂性的方法，通过一个子结构语料库来组成分子，称之为分子基本准则，这些子结构是从分子中确定的可能对某个属性有贡献的子结构，这样的方法属于“基于分子碎片”的设计方法。 实现自动生成分子的模型包括两个步骤： 在性质预测模型的帮助下提取出用于构建分子的分
[论文精读]BrainGNN: Interpretable Brain Graph Neural Network for fMRI Analysis
论文原文：BrainGNN: Interpretable Brain Graph Neural Network for fMRI Analysis - ScienceDirect 英文是纯手打的！论文原文的summarizing and paraphrasing。可能会出现难以避免的拼写错误和语法错误，若有发现欢迎评论指正！文章偏向于笔记，谨慎食用！ 目录 1. 一些概念 1.
REASONING ON GRAPHS: FAITHFUL AND INTERPRETABLE LARGE LANGUAGE MODEL REASONING
本文是LLM系列文章，针对《REASONING ON GRAPHS: FAITHFUL AND INTERPRETABLE LARGE LANGUAGE MODEL REASONING》的翻译。 图上推理:忠实的和可解释的大语言模型推理 摘要1 引言2 相关工作3 前言4 方法5 实验6 结论 摘要 大型语言模型(llm)在复杂任务中表现出令人印象深刻的推理能力。然而，他们在推理