Embeddings de phrases explicables
Les embeddings de phrases explicables combinent l'apprentissage de représentations denses de phrases avec des outils d'interprétabilité post-hoc ou intrinsèques — tels que des classificateurs de sondage (probing classifiers), LIME, SHAP, ou l'attribution d'attention — pour révéler quelles informations linguistiques et sémantiques sont encodées dans un vecteur de phrase et pourquoi un modèle en aval fait une prédiction donnée. L'objectif est de conserver la puissance de représentation des encodeurs modernes tout en rendant leur comportement auditable.
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
- Conneau, A., Kruszewski, G., Lample, G., Barrault, L., & Baroni, M. (2018). What you can cram into a single $\vec{v}$ector: Probing sentence embeddings for linguistic properties. In Proceedings of ACL 2018, pp. 2126–2136. link ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the predictions of any classifier. In Proceedings of KDD 2016, pp. 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Sentence Embeddings (Interpretable Dense Sentence Representations). ScholarGate. https://scholargate.app/fr/deep-learning/explainable-sentence-embeddings
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.
- Classification basée sur BERTApprentissage profond↔ compare
- Classification basée sur BERT explicableApprentissage profond↔ compare
- Réseau de neurones récurrent explicableApprentissage profond↔ compare
- Transformer ExplicableApprentissage profond↔ compare
- Plongements de phrases auto-supervisésApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →