Selitettävä Transformer
Selitettävä Transformer yhdistää standardin tai esikoulutetun Transformer-arkkitehtuurin jälkikäteisiin tai sisäänrakennettuihin tulkittavuustekniikoihin – kuten attention rollout, gradient-weighted attention tai SHAP – paljastaakseen, mitkä syötteen tokenit tai alueet vaikuttivat kuhunkin ennusteeseen. Lähestymistapa yhdistää korkean ennustustarkkuuden läpinäkyvyyteen, jota vaaditaan korkean panoksen tai säänneltyjen alojen aloilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/fi/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-pohjainen luokitteluSyväoppiminen↔ compare
- Selitettävä BERT-pohjainen luokitteluSyväoppiminen↔ compare
- Monimodaalinen muuntajaSyväoppiminen↔ compare
- Itsearvioitu TransformerSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →