Forklarlig LSTM
Forklarlig LSTM parrer et trænet Long Short-Term Memory-netværk med post-hoc fortolkningsmetoder – primært SHAP, LIME, integrerede gradienter eller opmærksomhedsvisualisering – for at afsløre, hvilke tidstrin, tokens eller træk der driver hver forudsigelse. Den bygger bro mellem nøjagtigheden af rekurrent dyb læring og den gennemsigtighed, der kræves af højrisikodomæner som klinisk beslutningsstøtte, svindeldetektion og regulatorisk overholdelse.
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
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Long Short-Term Memory Network. ScholarGate. https://scholargate.app/da/deep-learning/explainable-lstm
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.
- Forklarbar BERT-baseret klassifikationDyb læring↔ compare
- Forklarlig GRUDyb læring↔ compare
- Forklarlig Rekurrent Neuralt NetværkDyb læring↔ compare
- Forklarlig TransformerDyb 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 →