Red Neuronal Recurrente Explicable
Una Red Neuronal Recurrente Explicable (XAI-RNN) combina una arquitectura RNN estándar con un método de interpretabilidad post-hoc o intrínseco — como SHAP, LIME, gradientes integrados o visualización de atención — para revelar qué pasos de tiempo o tokens de entrada influyen más en las predicciones secuenciales del modelo, sin sacrificar la precisión predictiva.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. DOI: 10.1016/j.inffus.2019.12.012 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/es/deep-learning/explainable-recurrent-neural-network
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.
- LSTM ExplicableAprendizaje profundo↔ compare
- Transformador ExplicableAprendizaje profundo↔ compare
- Unidad Recurrente con Compuertas (GRU)Aprendizaje profundo↔ compare
- Memoria a Largo Plazo (LSTM)Aprendizaje profundo↔ compare
- Red Neuronal RecurrenteAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →