Tanya Jawab yang Dapat Dijelaskan
Tanya Jawab yang Dapat Dijelaskan (XQA) menggabungkan model pemahaman bacaan neural — biasanya transformer keluarga BERT — dengan metode interpretabilitas seperti ekstraksi rasional, visualisasi perhatian, LIME, atau SHAP untuk mengungkapkan mengapa model memilih rentang jawaban tertentu. Tujuannya bukan hanya akurasi tetapi penalaran yang dapat diaudit dan tepercaya yang dapat diperiksa dan diverifikasi oleh pengguna dan pakar domain.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/id/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.
- Klasifikasi Berbasis BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis BERT yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Transformer yang Dapat DijelaskanPembelajaran Mendalam↔ compare
- Klasifikasi Berbasis RoBERTaPembelajaran Mendalam↔ compare
- Sentence EmbeddingsPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →