Clasificación explicable basada en RoBERTa
La clasificación explicable basada en RoBERTa ajusta finamente un modelo transformador RoBERTa en datos de texto etiquetados y luego aplica métodos de interpretabilidad post-hoc — como SHAP, LIME o análisis de atención — para revelar qué tokens o características impulsaron cada predicción. Esto une el rendimiento de vanguardia en PLN con un razonamiento comprensible para el ser humano, satisfaciendo los requisitos de precisión y transparencia.
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
- Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765–4774. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable RoBERTa-based Text Classification with Post-hoc Interpretation. ScholarGate. https://scholargate.app/es/deep-learning/explainable-roberta-based-classification
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.
- Clasificación basada en BERTAprendizaje profundo↔ compare
- Clasificación Explicable Basada en BERTAprendizaje profundo↔ compare
- Transformador ExplicableAprendizaje profundo↔ compare
- Clasificación basada en RoBERTaAprendizaje profundo↔ compare
- Incrutaciones de oracionesAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →