Ny metode bruker LLM for tolkbar fellesskapsdeteksjon
Av AIWatch
Forskere har utviklet LUCID, en AI-modell som utnytter språkmodellers resonneringsevne til å finne grupper i komplekse datasett uten behov for merking. Dette kan gi innsikt i alt fra sosiale nettverk til genregulering, og utfordrer etablerte metoder.
En ny metode kalt LUCID – LLM-guided, Interpretable, Training-free, Unsupervised Community Detection – gir tolkbare resultater når den identifiserer grupper, eller «fellesskap», i store datanettverk. Modellen bruker store språkmodeller (LLM) for å utlede formelle regler direkte fra dataene, noe som eliminerer behovet for omfattende eller merking av datasett. LUCID imiterer hvordan komplekse strukturer oppstår i naturen, og deler prosessen inn i fire faser: initialisering, sammenslåing, finjustering og utvelgelse. I hver fase anvender LLM-en logiske regler for å bygge og forbedre fellesskapene. Dette gjør at modellen kan forklare hvorfor spesifikke entiteter grupperes sammen, et problem tradisjonelle dyp-læringsmetoder ofte sliter med. Metoden har vist seg å overgå både uovervåkede og delvis overvåkede tilnærminger i eksperimenter med reelle datasett. Dette viser potensial for praktisk bruk i alt fra analyse av sosiale nettverk til biomedisinsk forskning, der forståelse av underliggende strukturer er avgjørende.
Kilder til denne saken: arXiv cs.AI ↗
AI: Research, språk og faktasjekk.
Relatert
