Explainable LSTM
Explainable LSTM pairs a trained Long Short-Term Memory network with post-hoc interpretability techniques — chiefly SHAP, LIME, integrated gradients, or attention visualization — to reveal which time steps, tokens, or features drive each prediction. It bridges the accuracy of recurrent deep learning with the transparency demanded by high-stakes domains such as clinical decision support, fraud detection, and regulatory compliance.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. · URL
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. · DOI 10.1145/2939672.2939778
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.