Réseau de neurones récurrent explicable
Un réseau de neurones récurrent explicable (XAI-RNN) associe une architecture RNN standard à une méthode d'interprétabilité post-hoc ou intrinsèque — telle que SHAP, LIME, les gradients intégrés ou la visualisation de l'attention — pour révéler quels pas de temps ou quels jetons d'entrée influencent le plus les prédictions séquentielles du modèle, sans sacrifier la précision prédictive.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. DOI: 10.1016/j.inffus.2019.12.012 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/fr/deep-learning/explainable-recurrent-neural-network
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- LSTM explicableApprentissage profond↔ comparer
- Transformer ExplicableApprentissage profond↔ comparer
- Unité récurrente "gated" (GRU)Apprentissage profond↔ comparer
- Long Short-Term Memory (LSTM)Apprentissage profond↔ comparer
- Réseau de neurones récurrentApprentissage profond↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →