Soalan Jawab Boleh Dijelaskan
Soalan Jawab Boleh Dijelaskan (XQA) menggabungkan model penaakulan neural — lazimnya transformer keluarga BERT — dengan kaedah keboleh tafsiran seperti pengekstrakan rasional, visualisasi perhatian, LIME, atau SHAP untuk mendedahkan mengapa model memilih rentang jawapan tertentu. Matlamatnya bukan sahaja ketepatan tetapi penaakulan yang boleh diaudit dan dipercayai yang boleh diperiksa dan disahkan oleh pengguna dan pakar domain.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/ms/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 Berasaskan BERTPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan BERT yang Boleh DijelaskanPembelajaran Mendalam↔ compare
- Transformer Boleh DijelaskanPembelajaran Mendalam↔ compare
- Klasifikasi Berasaskan RoBERTaPembelajaran Mendalam↔ compare
- Penyematan AyatPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →