ทรานส์ฟอร์มเมอร์ที่อธิบายได้
ทรานส์ฟอร์มเมอร์ที่อธิบายได้ (Explainable Transformer) เป็นการผสมผสานสถาปัตยกรรมทรานส์ฟอร์มเมอร์มาตรฐานหรือที่ได้รับการฝึกฝนล่วงหน้าเข้ากับเทคนิคการตีความหลังการฝึก (post-hoc) หรือเทคนิคในตัว (built-in) เช่น attention rollout, gradient-weighted attention หรือ SHAP เพื่อเปิดเผยว่าโทเค็นหรือส่วนใดของอินพุตที่ขับเคลื่อนการทำนายแต่ละครั้ง แนวทางนี้เชื่อมโยงความแม่นยำในการทำนายที่สูงเข้ากับความโปร่งใสที่จำเป็นในโดเมนที่มีความเสี่ยงสูงหรืออยู่ภายใต้กฎระเบียบ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/th/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.
- การจำแนกประเภทโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- Multimodal Transformerการเรียนรู้เชิงลึก↔ compare
- Self-supervised Transformerการเรียนรู้เชิงลึก↔ compare