Erklärbarer Transformer
Ein erklärbarer Transformer kombiniert eine Standard- oder vortrainierte Transformer-Architektur mit Post-hoc- oder integrierten Interpretierbarkeitstechniken – wie Attention Rollout, Gradient-weighted Attention oder SHAP –, um aufzudecken, welche Eingabetoken oder -regionen eine bestimmte Vorhersage angetrieben haben. Dieser Ansatz verbindet hohe Vorhersagegenauigkeit mit der Transparenz, die in risikoreichen oder regulierten Domänen erforderlich ist.
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.
+4 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/de/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-basierte KlassifikationDeep Learning↔ compare
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- Multimodaler TransformerDeep Learning↔ compare
- Selbstüberwachter TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →