כתבה
arXiv cs.LG ·
הסברה מאמצעי הלמידה: הפניית תשומת הלב לטיפול ב-TCR- Epitope
Explainability from Training with Applications to TCR-Epitope Prediction
אחד המאמרים החדשים בתחום ההסברה מאמצעי הלמידה: הפניית תשומת הלב לטיפול ב-TCR Epitope. המאמר עוסק בפיתוח שיטה חדשה להסברה מאמצעי הלמידה, המיועדת לטיפול ב-T Cell Receptor Epitope Prediction. השיטה, המכונה EFT, מאפשרת לחקור את הלמידה של דגמי TCR-Epitope ולהבין את הסיבות שבעטיהם דגמים אלה תלויים במאפיינים ספציפיים. המאמר כולל ניתוח של ארבעה דגמי TCR-Epitope מתקדמים, כולל TCR-SRIM, TULIP, MixTCRpred ו-NetTCR-2.2, ומציג תוצאות של EFT עם TCR-XAI2, סטנדרט חדש לבדיקת EFT.
תקציר מקורי באנגליתarXiv:2609.36354v1 Announce Type: new Abstract: Deep learning models have achieved strong performance in artificial intelligence for science, yet their black-box nature limits our understanding of how they learn scientific tasks. Existing methods for interpretability provide limited insight into how models organize evidence and evolve during learning. We introduce explainability from training (EFT), a model-agnostic paradigm that traces model interpretation during training to explain why models rely on specific features and how they organize these features as predictive evidence. We apply EFT to four state-of-the-art T cell receptor (TCR)-epitope prediction models, TCR-SRIM, TULIP, MixTCRpred, and NetTCR-2.2, spanning post-hoc and interpret-by-design approaches as well as transformers and
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית