Wir freuen uns, bekannt zu geben, dass unser Paper „The GRADIEND Python Package: An End-to-End System for Gradient-Based Feature Learning“ von Jonathan Drechsel und Steffen Herbold für die System Demonstrations der Conference on Empirical Methods in Natural Language Processing (EMNLP) 2026 angenommen wurde.
Nachdem wir mit GRADIEND bei der ICLR 2026 eine gradientenbasierte Methode zum gezielten Lernen von Features in neuronalen Netzen vorgestellt haben, präsentieren wir mit dieser Arbeit nun das zugehörige Open-Source Python package gradiend. Das package stellt einen einheitlichen Workflow für die Erstellung von Featuredaten, das Training, die Evaluation und Visualisierung gelernter Features sowie das gezielte Umschreiben von Modellgewichten bereit.
Zusätzlich unterstützt das Paket den Vergleich vieler gelernter Features und enthält Werkzeuge zur Reduktion von Speicher- und Rechenaufwand. Anhand grammatikalischer und semantischer Features zeigen wir, wie sich GRADIEND damit als wiederverwendbares Werkzeug zur Analyse und gezielten Veränderung von Sprachmodellen einsetzen lässt.
Das Paper ist als Preprint verfügbar:
Links
- arXiv: https://arxiv.org/abs/2602.23993
- Python-Paket: https://pypi.org/project/gradiend
- GitHub: https://github.com/aieng-lab/gradiend