Transformer Explicable
Un Transformer explicable combine une architecture Transformer standard ou pré-entraînée avec des techniques d'interprétabilité post-hoc ou intégrées — telles que l'attention rollout, l'attention pondérée par gradient, ou SHAP — pour révéler quels jetons ou régions d'entrée ont piloté chaque prédiction. L'approche fait le pont entre une précision prédictive élevée et la transparence requise dans des domaines à enjeux élevés ou réglementés.
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.
+4 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Classification basée sur BERT explicableApprentissage profond↔ compare
- Transformeur MultimodalApprentissage profond↔ compare
- Transformer auto-superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →