Jaringan Saraf Berulang yang Dapat Dijelaskan
Jaringan Saraf Berulang yang Dapat Dijelaskan (XAI-RNN) memasangkan arsitektur RNN standar dengan metode interpretasi pasca-hoc atau intrinsik — seperti SHAP, LIME, gradien terintegrasi, atau visualisasi perhatian — untuk mengungkap langkah waktu atau token masukan mana yang paling memengaruhi prediksi sekuensial model, tanpa mengorbankan akurasi prediktif.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/id/deep-learning/explainable-recurrent-neural-network
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 yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Transformer yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Unit Berulang Bergerbang (GRU)Pembelajaran Mendalam↔ compare
- Long Short-Term Memory (LSTM)Pembelajaran Mendalam↔ compare
- Jaringan Saraf Berulang (Recurrent Neural Network - RNN)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →