Mạng nơ-ron hồi quy có thể giải thích
Mạng nơ-ron hồi quy có thể giải thích (XAI-RNN) kết hợp kiến trúc RNN tiêu chuẩn với một phương pháp diễn giải nội tại hoặc hậu kiểm — chẳng hạn như SHAP, LIME, tích phân gradient, hoặc trực quan hóa sự chú ý — để tiết lộ các bước thời gian hoặc token đầu vào nào có ảnh hưởng nhất đến các dự đoán tuần tự của mô hình, mà không làm giảm độ chính xác dự đoán.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Explainable Recurrent Neural Network (XAI-augmented RNN). ScholarGate. https://scholargate.app/vi/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.
- Explainable LSTMHọc sâu↔ compare
- Explainable Transformer (Transformer có thể giải thích được)Học sâu↔ compare
- Cổng Lặp Lại Có Cổng (GRU)Học sâu↔ compare
- Mạng bộ nhớ dài-ngắn hạn (LSTM)Học sâu↔ compare
- Mạng nơ-ron hồi quyHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →