Machine learningDeep learning / NLP / CV

Perceptrón Multicapa Explicable

Un Perceptrón Multicapa Explicable (XMLP) es una red neuronal feedforward estándar entrenada con retropropagación, aumentada con técnicas de interpretabilidad post-hoc —como valores SHAP, LIME o gradientes integrados— que atribuyen cada predicción a características de entrada individuales. La combinación conserva la potencia de aproximación del MLP al tiempo que satisface los requisitos de transparencia comunes en dominios regulados o de alto riesgo.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

Fuentes

  1. Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link
  2. Explainable artificial intelligence. Wikipedia. link

Cómo citar esta página

ScholarGate. (2026, June 3). Explainable Multilayer Perceptron (MLP with Post-hoc Interpretability). ScholarGate. https://scholargate.app/es/deep-learning/explainable-multilayer-perceptron

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
ScholarGateExplainable Multilayer Perceptron (Explainable Multilayer Perceptron (MLP with Post-hoc Interpretability)). Recuperado el 2026-06-15 de https://scholargate.app/es/deep-learning/explainable-multilayer-perceptron · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026