Transformer Spiegabile
Un Transformer Spiegabile combina un'architettura Transformer standard o pre-addestrata con tecniche di interpretabilità post-hoc o integrate — come l'attention rollout, l'attenzione pesata dal gradiente o SHAP — per rivelare quali token o regioni di input hanno guidato ciascuna previsione. L'approccio unisce un'elevata accuratezza predittiva con la trasparenza richiesta in domini ad alto rischio o regolamentati.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/it/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.
- Classificazione basata su BERTApprendimento profondo↔ compare
- Classificazione basata su BERT SpiegabileApprendimento profondo↔ compare
- Transformer MultimodaleApprendimento profondo↔ compare
- Transformer auto-supervisionatoApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →