Forklarlig Spørgsmål-Svar
Forklarlig Spørgsmål-Svar (XQA) kombinerer neurale læseforståelsesmodeller — typisk BERT-familie-transformere — med fortolkningsmetoder såsom rational-udtrækning, opmærksomhedsvisualisering, LIME eller SHAP for at afsløre, hvorfor modellen valgte et bestemt svarinterval. Målet er ikke kun nøjagtighed, men troværdig, auditerbar ræsonnement, som brugere og domæneeksperter kan inspicere og verificere.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/da/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.
- BERT-baseret klassifikationDyb læring↔ compare
- Forklarbar BERT-baseret klassifikationDyb læring↔ compare
- Forklarlig TransformerDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →