Machine learningDeep learning / NLP / CV
الإجابة على الأسئلة القابلة للتفسير
يجمع الإجابة على الأسئلة القابلة للتفسير (XQA) بين نماذج فهم القراءة العصبية — عادةً محولات من عائلة BERT — وطرق قابلية التفسير مثل استخراج المنطق، وتصور الانتباه، و LIME، أو SHAP للكشف عن سبب اختيار النموذج لفقرة إجابة معينة. الهدف ليس فقط الدقة ولكن أيضًا الاستدلال الموثوق والقابل للتدقيق والذي يمكن للمستخدمين وخبراء المجال فحصه والتحقق منه.
اقرأ الطريقة كاملة
للأعضاء فقط
تسجيل الدخولسجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- DeYoung, J., Jain, S., Rajani, N. F., Lehman, E., Xiong, C., Socher, R., & Wallace, B. C. (2020). ERASER: A Benchmark to Evaluate Rationalized NLP Models. In Proceedings of ACL 2020, pp. 4443–4458. DOI: 10.18653/v1/2020.acl-main.408 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. In Proceedings of EMNLP 2016, pp. 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/ar/deep-learning/explainable-question-answering
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.
- تصنيف قائم على BERTالتعلم العميق↔ compare
- تصنيف قائم على بيرت قابل للتفسيرالتعلم العميق↔ compare
- المحوّل القابل للتفسير (Explainable Transformer)التعلم العميق↔ compare
- تصنيف قائم على RoBERTaالتعلم العميق↔ compare
- تضمينات الجملالتعلم العميق↔ compare