Erklärbare Textzusammenfassung
Erklärbare Textzusammenfassung erweitert automatische Zusammenfassungsmodelle – extraktiv oder abstraktiv – um nachgelagerte oder integrierte Erklärungsmethoden, die aufzeigen, welche Quellsätze, Token oder Aufmerksamkeitsmuster jede Ausgabesatz angetrieben haben. Ziel ist es, die Treue zu prüfen, Halluzinationen zu erkennen und das Vertrauen in die Modellausgaben in Hochrisikobereichen wie der medizinischen oder juristischen Dokumentenprüfung aufzubauen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). A diagnostic study of explainability techniques for text classification. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3256–3274. Association for Computational Linguistics. link ↗
- Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906–1919. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/de/deep-learning/explainable-text-summarization
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.
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- Erklärbares Named Entity RecognitionDeep Learning↔ compare
- Erklärbarer TransformerDeep Learning↔ compare
- Feinabgestimmte TextzusammenfassungDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- Transfer Learning mit TextzusammenfassungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →