Обясним Трансформър
Обяснимият Трансформър комбинира стандартна или предварително обучена Трансформър архитектура с пост-хок или вградени техники за интерпретируемост — като attention rollout, gradient-weighted attention или SHAP — за да разкрие кои входни токени или региони са обусловили всяко предсказание. Подходът свързва висока предсказваща точност с прозрачността, необходима в области с висок залог или регулирани сфери.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/bg/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.
- Класификация, базирана на BERTДълбоко обучение↔ compare
- Обяснима класификация, базирана на BERTДълбоко обучение↔ compare
- Мултимодален ТрансформерДълбоко обучение↔ compare
- Самоконтролиран Трансформър (Self-supervised Transformer)Дълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →