Объяснимый Трансформер
Объяснимый Трансформер объединяет стандартную или предварительно обученную архитектуру Трансформера с пост-хок или встроенными методами интерпретируемости — такими как attention rollout, градиентно-взвешенное внимание или SHAP — чтобы выявить, какие входные токены или области повлияли на каждый прогноз. Этот подход сочетает высокую предсказательную точность с прозрачностью, необходимой в областях с высокими ставками или регулируемых доменах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/ru/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.
- Классификация на основе BERTГлубокое обучение↔ compare
- Объяснимая классификация на основе BERTГлубокое обучение↔ compare
- Мультимодальный трансформерГлубокое обучение↔ compare
- Трансформер с самообучением (Self-supervised Transformer)Глубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →