Réponse aux questions explicable
La réponse aux questions explicable (XQA) combine des modèles neuronaux de compréhension de lecture — typiquement des transformeurs de la famille BERT — avec des méthodes d'interprétabilité telles que l'extraction de justifications, la visualisation de l'attention, LIME ou SHAP, afin de révéler pourquoi le modèle a sélectionné une étendue de réponse particulière. L'objectif n'est pas seulement la précision, mais un raisonnement fiable et auditable que les utilisateurs et les experts du domaine peuvent inspecter et vérifier.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Classification basée sur BERT explicableApprentissage profond↔ compare
- Transformer ExplicableApprentissage profond↔ compare
- Classification basée sur RoBERTaApprentissage profond↔ compare
- Plongements de phrasesApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →