โครงข่ายประสาทเทียมเวียนซ้ำที่อธิบายได้
โครงข่ายประสาทเทียมเวียนซ้ำที่อธิบายได้ (XAI-RNN) เป็นการจับคู่สถาปัตยกรรม RNN มาตรฐานกับวิธีการตีความหลังการเกิด (post-hoc) หรือโดยธรรมชาติ (intrinsic) — เช่น SHAP, LIME, integrated gradients, หรือการแสดงภาพความใส่ใจ (attention visualization) — เพื่อเปิดเผยว่าช่วงเวลาอินพุตหรือโทเค็นใดมีอิทธิพลต่อการทำนายตามลำดับของแบบจำลองมากที่สุด โดยไม่ลดทอนความแม่นยำในการทำนาย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115. DOI: 10.1016/j.inffus.2019.12.012 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/th/deep-learning/explainable-recurrent-neural-network
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.
- LSTM ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- ทรานส์ฟอร์มเมอร์ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)การเรียนรู้เชิงลึก↔ compare
- หน่วยความจำระยะสั้นแบบยาว (LSTM)การเรียนรู้เชิงลึก↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare