基于小型语言模型决策树归纳的黑盒大语言模型自适应研究

【项目介绍】 旗舰级黑盒大语言模型（LLM）如 GPT-5 和 Gemini-3 在包括需要推理或生成解释的广泛任务中表现优异。然而，在专业化的、特定领域的文本分类任务（如情感分析、仇恨言论检测）上，它们可能不够可靠，特别是当领域内数据有限或决策边界微妙时。由于闭源模型限制、安全策略或成本原因，微调并不总是可行，这促使研究者探索无需更新模型权重即可适应此类模型的方法。相比之下，小型语言模型（SLM）可以在领域内数据集上高效微调，通常能获得更高的分类准确率，但其决策更难解释，且生成的解释通常不太可靠。这限制了它们在需要可信AI的场景中的应用。

本项目探索一种神经符号方法来弥合这一差距，通过从专业化SLM中提取概念决策树，并使用这些树来适应黑盒LLM。

【研究目标】 开发从微调后的SLM中归纳高层概念决策树的方法，并将这些树作为从训练数据中学习到的决策边界的结构化表示。目标是协助黑盒LLM在特定领域做出分类决策，并使其能够生成可信的解释。

【研究方法】 学生将：（1）针对特定领域任务（如文本分类）微调SLM；（2）从SLM嵌入中自动归纳高层概念，并使用LLM辅助标注来标记/精炼这些概念；（3）将概念组织成反映SLM学习到的决策边界的决策树；（4）开发推理时机制，使黑盒LLM能够使用归纳出的决策树来支持基于领域的分类决策和可信解释；（5）使用反事实测试、概念干预和解释质量的人工评估来评估任务性能，以及关键的——解释可信度和鲁棒性。

【预期成果】 • 从微调后的SLM归纳基于概念的决策树的算法 • 基于特定领域训练数据的LLM决策和解释原型系统 • 评估可信度、鲁棒性和用户信任的框架 • 开源代码和同行评审论文

成功候选人将加入卡迪夫大学活跃的NLP和KR社区，由 Nitesh Kumar 博士和 Steven Schockaert 教授指导。

【关键词】 可解释机器学习；概念发现；决策树归纳；自然语言处理；LLM落地；神经符号AI；可信AI；LLM自适应

【申请要求】 学术标准：计算机或相关学科的二等一荣誉学士学位或硕士学位。具有适当专业经验的申请人也会被考虑。某些项目领域的研究需要学位水平的数学（或同等学历）。

英语要求：申请人必须证明英语语言能力。非英语母语的学生必须提供雅思成绩，总分至少6.5，各技能单项不低于6.0。接受的资格证书完整列表请见：https://www.cardiff.ac.uk/study/international/english-language-requirements/postgraduate

【申请材料】 请通过卡迪夫大学计算机科学与信息学页面提交申请。在申请的资助字段中，注明“我正在申请计算机科学与信息学的自费博士”，并在提供的文本框中注明本项目标题和导师。

候选人必须提交以下材料： • 研究计划：在申请的“研究计划”部分输入您申请的项目名称，并上传个人研究计划。研究计划不超过2000字，包括参考文献和书目。 • 个人陈述（作为大学申请表的一部分，或作为单独附件） • 简历（CV）：博士职位简历指导可在 FindAPhD 网站找到 • 学历证书和成绩单：原件和英文翻译（如适用） • 两封学术推荐信：请在申请中提供推荐文件 • 英语语言证明（如适用）

面试：如果申请满足上述所有入学要求，您将被邀请参加面试。

【资助信息】 本项目仅面向自费学生，或拥有自己资助或奖学金的候选人。如适用，候选人需要承担学生签证费用、医疗附加费以及前往英国学习的其他费用。这些费用不包括在计算机科学与信息学学院。

【联系方式】 如有兴趣，请先发送简历至 Nitesh Kumar 博士（kumarn8@cardiff.ac.uk）。申请过程需要您与指导团队共同制定个人研究计划，该计划应基于本广告中提供的信息。与导师共同制定研究计划后，请按照说明提交申请。

【学习模式】 全日制或非全日制