เปรียบเทียบวิธี

	Transformer วิสัยทัศน์ที่อธิบายได้	วิชันทรานส์ฟอร์มเมอร์
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2021	2021
ผู้ริเริ่ม	Chefer, H., Gur, S., & Wolf, L. (attribution framework); Dosovitskiy et al. (base ViT)	Dosovitskiy, A. et al.
ประเภท	Post-hoc explainability applied to Vision Transformer	Transformer architecture for images (self-attention over patches)
แหล่งต้นตำรับ	Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791.	Dosovitskiy, A. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR.
ชื่อเรียกอื่น	XViT, Interpretable ViT, Explainable ViT, Transparent Vision Transformer	Görsel Transformer (ViT), görsel transformer, ViT, patch transformer for images
ที่เกี่ยวข้อง	5	5
สรุป	Explainable Vision Transformer combines the strong image-recognition performance of Vision Transformers (ViT) with attribution techniques — such as relevance propagation, attention rollout, or gradient-weighted attention — that highlight which image regions drive each prediction. The approach enables researchers and practitioners to audit model decisions and satisfy transparency requirements without sacrificing accuracy.	The Vision Transformer (ViT), introduced by Dosovitskiy and colleagues in 2021, splits an image into fixed-size patches, treats those patches as a sequence, and applies the Transformer self-attention mechanism to image classification. Given enough training data, it surpasses convolutional neural networks (CNNs).