Transformer yang Dapat Dijelaskan
Transformer yang Dapat Dijelaskan menggabungkan arsitektur Transformer standar atau yang telah dilatih sebelumnya dengan teknik interpretasi pasca-hoc atau bawaan — seperti penarikan perhatian (attention rollout), perhatian berbobot gradien (gradient-weighted attention), atau SHAP — untuk mengungkap token atau wilayah masukan mana yang mendorong setiap prediksi. Pendekatan ini menjembatani akurasi prediksi yang tinggi dengan transparansi yang diperlukan dalam domain berisiko tinggi atau teregulasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/id/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.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis BERT yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Transformer MultimodalPembelajaran Mendalam↔ compare
- Transformer yang dilatih mandiriPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →