Forklarbar Transformer
En forklarbar Transformer kombinerer en standard eller forhåndstrent Transformer-arkitektur med post-hoc eller innebygde tolkningsmetoder — som attention rollout, gradient-weighted attention, eller SHAP — for å avsløre hvilke inndatatokener eller regioner som drev hver prediksjon. Tilnærmingen bygger bro mellom høy prediktiv nøyaktighet og den transparensen som kreves i høyrisiko- eller regulerte domener.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/no/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-basert klassifiseringDyp læring↔ compare
- Forklarbar BERT-basert klassifiseringDyp læring↔ compare
- Multimodal transformereDyp læring↔ compare
- Selv-supervisert TransformerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →