GRU Explicable
Le GRU Explicable associe le Gated Recurrent Unit, une architecture récurrente compacte et efficace, à des techniques d'explicabilité telles que SHAP, LIME ou la pondération par attention afin de révéler quels pas de temps et quelles caractéristiques ont motivé chaque prédiction. Il apporte de l'interprétabilité à la modélisation séquentielle sans sacrifier la capacité du GRU à capturer les dépendances temporelles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of EMNLP 2014, 1724–1734. DOI: 10.3115/v1/D14-1179 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Gated Recurrent Unit. ScholarGate. https://scholargate.app/fr/deep-learning/explainable-gru
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.
- LSTM explicableApprentissage profond↔ compare
- Réseau de neurones récurrent explicableApprentissage profond↔ compare
- Transformer ExplicableApprentissage profond↔ compare
- Unité récurrente "gated" (GRU)Apprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →