Transformer Explicável
Um Transformer Explicável combina uma arquitetura Transformer padrão ou pré-treinada com técnicas de interpretabilidade post-hoc ou incorporadas — como attention rollout, atenção ponderada por gradiente ou SHAP — para revelar quais tokens ou regiões de entrada impulsionaram cada previsão. A abordagem une alta precisão preditiva com a transparência exigida em domínios de alto risco ou regulamentados.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/pt/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.
- Classificação baseada em BERTAprendizado profundo↔ compare
- Classificação Explicável Baseada em BERTAprendizado profundo↔ compare
- Transformer MultimodalAprendizado profundo↔ compare
- Transformer Auto-supervisionadoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →