Machine learningDeep learning / NLP / CV
説明可能なリカレントニューラルネットワーク
説明可能なリカレントニューラルネットワーク（XAI-RNN）は、標準的なRNNアーキテクチャと、SHAP、LIME、統合勾配、アテンション可視化などの事後または内在的な解釈可能性手法を組み合わせることで、予測精度を犠牲にすることなく、どの入力タイムステップやトークンがモデルのシーケンス予測に最も影響を与えるかを明らかにします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/ja/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.
- 説明可能なLSTM (Explainable LSTM)深層学習↔ compare
- Explainable Transformer深層学習↔ compare
- Gated Recurrent Unit (GRU)深層学習↔ compare
- Long Short-Term Memory (LSTM)深層学習↔ compare
- リカレントニューラルネットワーク (RNN)深層学習↔ compare