Objašnjivi Transformer
Objašnjivi Transformer kombinira standardnu ili pred-obučenu Transformer arhitekturu s post-hoc ili ugrađenim tehnikama interpretabilnosti — kao što su attention rollout, gradient-weighted attention ili SHAP — kako bi se otkrilo koji su ulazni tokeni ili regije potaknuli svako predviđanje. Pristup spaja visoku prediktivnu točnost s transparentnošću potrebnom u domenama visokog rizika ili reguliranim domenama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/hr/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.
- BERT-tem klasifikacijaDuboko učenje↔ compare
- Objašnjiva klasifikacija utemeljena na BERT-uDuboko učenje↔ compare
- Multimodalni TransformerDuboko učenje↔ compare
- Transformator samo-nadziranog učenjaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →