Forklarlig Transformer
En Forklarlig Transformer kombinerer en standard eller forudtrænet Transformer-arkitektur med post-hoc eller indbyggede fortolkningsmetoder — såsom attention rollout, gradient-vægtet attention eller SHAP — for at afsløre, hvilke input-tokens eller regioner der drev hver forudsigelse. Tilgangen bygger bro mellem høj forudsigelsesnøjagtighed og den gennemsigtighed, der kræves i højrisiko- eller regulerede domæner.
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.
+4 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/da/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.
- BERT-baseret klassifikationDyb læring↔ compare
- Forklarbar BERT-baseret klassifikationDyb læring↔ compare
- Multimodal TransformerDyb læring↔ compare
- Selv-overvåget TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →