Machine learningDeep learning / NLP / CV
설명 가능한 질의응답
설명 가능한 질의응답(XQA)은 신경망 기반 독해 모델(일반적으로 BERT 계열 트랜스포머)과 합리화 추출, 어텐션 시각화, LIME, 또는 SHAP과 같은 해석 가능성 기법을 결합하여 모델이 특정 답변 스팬을 선택한 이유를 밝힙니다. 목표는 단순히 정확도를 넘어 사용자 및 도메인 전문가가 검토하고 검증할 수 있는 신뢰할 수 있고 감사 가능한 추론을 제공하는 것입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/ko/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 기반 분류딥러닝↔ compare
- 설명 가능한 BERT 기반 분류딥러닝↔ compare
- 설명 가능한 트랜스포머딥러닝↔ compare
- RoBERTa 기반 분류딥러닝↔ compare
- 문장 임베딩딥러닝↔ compare