Förklarbar Transformer
En Förklarbar Transformer kombinerar en standard eller förtränad Transformer-arkitektur med post-hoc eller inbyggda tolkningsmetoder — såsom attention rollout, gradient-viktad attention, eller SHAP — för att avslöja vilka inmatningstokens eller regioner som drev varje prediktion. Metoden överbryggar hög prediktiv noggrannhet med den transparens som krävs i högrisko- eller reglerade domäner.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/sv/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-baserad klassificeringDjupinlärning↔ compare
- Förklaringsbar BERT-baserad klassificeringDjupinlärning↔ compare
- Multimodal TransformerDjupinlärning↔ compare
- Självövervakad TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →