المحوّل القابل للتفسير (Explainable Transformer)
يجمع المحوّل القابل للتفسير بين بنية محوّل قياسية أو مُدرّبة مسبقًا مع تقنيات قابلية التفسير اللاحقة أو المدمجة — مثل تدوير الانتباه (attention rollout)، أو الانتباه الموزون بالتدرج (gradient-weighted attention)، أو SHAP — للكشف عن رموز الإدخال أو مناطقه التي دفعت كل تنبؤ. يربط هذا النهج بين دقة التنبؤ العالية والشفافية المطلوبة في المجالات عالية المخاطر أو المنظمة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
المصادر
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791. DOI: 10.1109/CVPR46437.2021.00084 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/ar/deep-learning/explainable-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- تصنيف قائم على BERTالتعلم العميق↔ compare
- تصنيف قائم على بيرت قابل للتفسيرالتعلم العميق↔ compare
- المحولات متعددة الوسائط (Multimodal Transformers)التعلم العميق↔ compare
- محوّل ذاتي الإشراف (Self-supervised Transformer)التعلم العميق↔ compare