Selgitatav Transformer
Selgitatav Transformer ühendab standardse või eelkoolitatud Transformer-arhitektuuri post-hoc või sisseehitatud selgitatavuse tehnikatega – nagu tähelepanu rullimine (attention rollout), gradient-kaalutud tähelepanu (gradient-weighted attention) või SHAP – et paljastada, millised sisenditokenid või piirkonnad ajendasid iga ennustust. Lähenemisviis ühendab kõrge ennustustäpsuse läbipaistvusega, mida nõutakse kõrge panusega või reguleeritud valdkondades.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/et/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.
- BERT-põhine klassifitseerimineSüvaõpe↔ compare
- Seletatav BERT-põhine klassifitseerimineSüvaõpe↔ compare
- Multimodaalne TransformerSüvaõpe↔ compare
- Isejuhendatud TransformerSüvaõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →