Пояснюваний Трансформер
Пояснюваний Трансформер поєднує стандартну або попередньо навчену архітектуру Трансформера з пост-хок (post-hoc) або вбудованими методами інтерпретованості — такими як розгортання уваги (attention rollout), увага, зважена градієнтом (gradient-weighted attention), або SHAP — щоб виявити, які вхідні токени чи регіони зумовили кожен прогноз. Цей підхід поєднує високу прогностичну точність із прозорістю, необхідною у доменах з високими ставками або регульованих доменах.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Explainable Transformer (Interpretability-Augmented Transformer Model). ScholarGate. https://scholargate.app/uk/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.
- Класифікація на основі BERTГлибоке навчання↔ compare
- Пояснювана класифікація на основі BERTГлибоке навчання↔ compare
- Мультимодальний ТрансформерГлибоке навчання↔ compare
- Трансформер із самокерованим навчаннямГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →