זיהוי ישויות בעלות יכולת הסבר
זיהוי ישויות בעלות יכולת הסבר (XAI-NER) משלב מודל NER סטנדרטי – בדרך כלל מודל מבוסס BERT או תיוג רצפים מסוג BiLSTM-CRF – עם טכניקות הסבר בדיעבד (post-hoc) או הסבר אינהרנטי (intrinsic) כגון LIME, SHAP, הדמיית קשב (attention visualization), או בולטות מבוססת גרדיאנט (gradient-based saliency) כדי לחשוף מדוע לכל אסימון (token) הוקצתה תווית ישות מסוימת. שקיפות זו חיונית בתחומים בעלי סיכון גבוה כגון טקסט קליני, מסמכים משפטיים וספרות ביו-רפואית.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Danilevsky, M., Qian, K., Aharonov, R., Katsis, Y., Kawas, B., & Sen, P. (2020). A Survey of the State of Explainable AI for Natural Language Processing. Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (AACL-IJCNLP), pp. 447–459. link ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1135–1144. DOI: 10.1145/2939672.2939778 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Explainable Named Entity Recognition (XAI-NER). ScholarGate. https://scholargate.app/he/deep-learning/explainable-named-entity-recognition
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.
- סיווג מבוסס BERTלמידה עמוקה↔ compare
- סיווג מבוסס BERT עם הסבריםלמידה עמוקה↔ compare
- ניתוח סנטימנט ניתן להסברלמידה עמוקה↔ compare
- סיכום טקסט ניתן להסברלמידה עמוקה↔ compare
- טרנספורמר ניתן להסברלמידה עמוקה↔ compare
- זיהוי ישויות מוכרות (NER)כריית טקסט↔ compare