Forklarbar spørsmålsbesvarelse
Forklarbar spørsmålsbesvarelse (Explainable Question Answering, XQA) kombinerer nevrale leseforståelsesmodeller — typisk transformermodeller fra BERT-familien — med tolkningsmetoder som rasjonalekstraksjon, oppmerksomhetsvisualisering, LIME eller SHAP for å avsløre hvorfor modellen valgte et bestemt svarintervall. Målet er ikke bare nøyaktighet, men pålitelig, reviderbar resonnering som brukere og domeneeksperter kan inspisere og verifisere.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/no/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-basert klassifiseringDyp læring↔ compare
- Forklarbar BERT-basert klassifiseringDyp læring↔ compare
- Forklarbar TransformerDyp læring↔ compare
- RoBERTa-basert klassifiseringDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →