Forklarlig GRU
Forklarlig GRU parrer Gated Recurrent Unit, en kompakt og effektiv rekurrent arkitektur, med forklarbarhedsteknikker som SHAP, LIME eller attention weighting for at afsløre, hvilke tidstrin og features der drev hver forudsigelse. Den bringer fortolkelighed til sekventiel modellering uden at ofre GRU'ens evne til at fange tidsmæssige afhængigheder.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of EMNLP 2014, 1724–1734. DOI: 10.3115/v1/D14-1179 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765–4774. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Gated Recurrent Unit. ScholarGate. https://scholargate.app/da/deep-learning/explainable-gru
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.
- Forklarlig LSTMDyb læring↔ compare
- Forklarlig Rekurrent Neuralt NetværkDyb læring↔ compare
- Forklarlig TransformerDyb læring↔ compare
- Gated Recurrent Unit (GRU)Dyb læring↔ compare
- Long Short-Term Memory (LSTM)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →