Die Aufgabe der Schreiberverifizierung besteht darin, eine Wahrscheinlichkeitsbewertung dafür zu bereitstellen, ob die abgefragten und bekannten Handschriftproben demselben Schreiber zugeordnet werden können oder nicht. Diese Aufgabe erfordert, dass das neuronale Netzwerk seine Ergebnisse interpretierbar macht, d.h., einen Einblick in den Entscheidungsprozess des Netzes bietet. Wir implementieren und integrieren Kreuz- und Soft-Aufmerksamkeitsmechanismen (cross-attention and soft-attention mechanisms), um die stark korrelierten und bedeutenden Punkte im Merkmalsraum zweidimensionaler Eingaben zu erfassen. Die Aufmerksamkeitskarten dienen als Erklärungsgrundlage für die Wahrscheinlichkeitsbewertung des Netzausgangs. Der Aufmerksamkeitsmechanismus ermöglicht es auch dem Netzwerk, sich stärker auf relevante Bereiche der Eingabe zu konzentrieren, was die Klassifikationsleistung verbessert. Unser vorgeschlagener Ansatz erreicht eine Präzision von 86 % bei der Erkennung von innerhalb eines Schreibers liegenden Fällen im CEDAR kursive "AND" Datensatz. Darüber hinaus generieren wir sinnvolle Erklärungen für die bereitgestellte Entscheidung, indem wir Aufmerksamkeitskarten aus mehreren Ebenen des Netzwerks extrahieren.