Transformador Explicable
Un Transformador Explicable combina una arquitectura Transformer estándar o preentrenada con técnicas de interpretabilidad post-hoc o integradas —como el despliegue de atención (attention rollout), la atención ponderada por gradiente o SHAP— para revelar qué tokens o regiones de entrada impulsaron cada predicción. El enfoque une la alta precisión predictiva con la transparencia requerida en dominios de alto riesgo o regulados.
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.
+4 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/es/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.
- Clasificación basada en BERTAprendizaje profundo↔ compare
- Clasificación Explicable Basada en BERTAprendizaje profundo↔ compare
- Transformador MultimodalAprendizaje profundo↔ compare
- Transformer auto-supervisadoAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →