Transformer Boleh Dijelaskan
Transformer Boleh Dijelaskan menggabungkan seni bina Transformer standard atau pra-latih dengan teknik kebolehinterpretasian pasca-hoc atau terbina dalam — seperti perhatian rollout, perhatian berwajaran gradien, atau SHAP — untuk mendedahkan token atau kawasan input mana yang mendorong setiap ramalan. Pendekatan ini merapatkan ketepatan ramalan yang tinggi dengan ketelusan yang diperlukan dalam domain berisiko tinggi atau terkawal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/ms/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 Berasaskan BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan BERT yang Boleh DijelaskanPembelajaran Mendalam↔ compare
- Transformer MultimodusPembelajaran Mendalam↔ compare
- Transformer kendiri-terlarasPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →