Machine learningDeep learning / NLP / CV

Επεξηγήσιμος Μετασχηματιστής (Explainable Transformer)

Ένας Επεξηγήσιμος Μετασχηματιστής συνδυάζει μια τυπική ή προ-εκπαιδευμένη αρχιτεκτονική Transformer με τεχνικές μετα-γεγονότος (post-hoc) ή ενσωματωμένης ερμηνευσιμότητας — όπως το attention rollout, το gradient-weighted attention, ή το SHAP — για να αποκαλύψει ποια διακριτά στοιχεία εισόδου (input tokens) ή περιοχές οδήγησαν σε κάθε πρόβλεψη. Η προσέγγιση γεφυρώνει την υψηλή προγνωστική ακρίβεια με τη διαφάνεια που απαιτείται σε τομείς υψηλού κινδύνου ή ρυθμιζόμενους.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

+4 more

Πηγές

  1. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateExplainable Transformer (Explainable Transformer (Interpretability-Augmented Transformer Model)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/explainable-transformer · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026