Erklärbare Satz-Einbettungen
Erklärbare Satz-Einbettungen kombinieren das Lernen dichter Satzrepräsentationen mit post-hoc oder intrinsischen Interpretierbarkeitswerkzeugen – wie z. B. Probing-Klassifikatoren, LIME, SHAP oder Aufmerksamkeitsattribution –, um aufzudecken, welche linguistischen und semantischen Informationen in einem Satzvektor kodiert sind und warum ein nachgelagertes Modell eine bestimmte Vorhersage trifft. Ziel ist es, die Repräsentationskraft moderner Encoder beizubehalten und gleichzeitig ihr Verhalten überprüfbar zu machen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Conneau, A., Kruszewski, G., Lample, G., Barrault, L., & Baroni, M. (2018). What you can cram into a single $\vec{v}$ector: Probing sentence embeddings for linguistic properties. In Proceedings of ACL 2018, pp. 2126–2136. link ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the predictions of any classifier. In Proceedings of KDD 2016, pp. 1135–1144. DOI: 10.1145/2939672.2939778 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Sentence Embeddings (Interpretable Dense Sentence Representations). ScholarGate. https://scholargate.app/de/deep-learning/explainable-sentence-embeddings
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-basierte KlassifikationDeep Learning↔ compare
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- Erklärbares Rekurrentes Neuronales NetzDeep Learning↔ compare
- Erklärbarer TransformerDeep Learning↔ compare
- Selbstüberwachte Satz-EinbettungenDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →