Vysvětlitelný Transformer
Vysvětlitelný Transformer kombinuje standardní nebo předtrénovanou architekturu Transformeru s post-hoc nebo vestavěnými technikami interpretovatelnosti – jako je attention rollout, gradientně vážená pozornost nebo SHAP – k odhalení, které vstupní tokeny nebo oblasti poháněly každou predikci. Tento přístup spojuje vysokou prediktivní přesnost s transparentností požadovanou ve vysoce rizikových nebo regulovaných doménách.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/cs/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.
- Klasifikace založená na BERTHluboké učení↔ compare
- Vysvětlitelná klasifikace založená na BERTHluboké učení↔ compare
- Multimodální TransformerHluboké učení↔ compare
- Transformátor se samoučenímHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →