Uitlegbare Transformer
Een Uitlegbare Transformer combineert een standaard of vooraf getrainde Transformer-architectuur met post-hoc of ingebouwde interpreteerbaarheidstechnieken — zoals attention rollout, gradient-weighted attention, of SHAP — om te onthullen welke inputtokens of -regio's elke voorspelling hebben gestuurd. De aanpak overbrugt hoge voorspellende nauwkeurigheid met de transparantie die vereist is in domeinen met hoge inzet of gereguleerde domeinen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/nl/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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Uitlegbare BERT-gebaseerde ClassificatieDeep learning↔ compare
- Multimodale TransformerDeep learning↔ compare
- Zelf-gesuperviseerde TransformerDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →