Metodin todisteiden tietue
Explainable RoBERTa-based Classification
Explainable RoBERTa-based classification fine-tunes a RoBERTa transformer model on labeled text data and then applies post-hoc interpretability methods — such as SHAP, LIME, or attention analysis — to reveal which tokens or features drove each prediction. This bridges state-of-the-art NLP performance with human-understandable reasoning, satisfying both accuracy and transparency requirements.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Explainable RoBERTa-based Text Classification with Post-hoc Interpretation
Taksonominen metoditietue · ml-model / deep-learning
- 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. · URL
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765–4774. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.