Machine learningDeep learning / NLP / CV
説明可能な質問応答
説明可能な質問応答（XQA）は、ニューラル読解モデル（通常はBERTファミリーのトランスフォーマー）と、根拠抽出、アテンション可視化、LIME、SHAPなどの解釈可能性手法を組み合わせて、モデルが特定の回答スパンを選択した理由を明らかにします。目標は、精度だけでなく、ユーザーやドメイン専門家が検査・検証できる、信頼性が高く監査可能な推論です。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/ja/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ベースの分類深層学習↔ compare
- 説明可能なBERTベース分類深層学習↔ compare
- Explainable Transformer深層学習↔ compare
- RoBERTaベースの分類深層学習↔ compare
- 文埋め込み（Sentence Embeddings）深層学習↔ compare