Forklarbar tekstoppsummering
Forklarbar tekstoppsummering utvider automatiske oppsummeringsmodeller — ekstraktive eller abstrakte — med post-hoc- eller innebygde forklaringsmetoder som avslører hvilke kildesetninger, tokens eller oppmerksomhetsmønstre som drev hver utdatasetning. Målet er å revidere troskap, oppdage hallusinasjoner og bygge tillit til modellutdata i situasjoner med høy innsats, som medisinsk eller juridisk dokumentgjennomgang.
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
- Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). A diagnostic study of explainability techniques for text classification. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3256–3274. Association for Computational Linguistics. link ↗
- Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906–1919. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/no/deep-learning/explainable-text-summarization
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.
- Forklarbar BERT-basert klassifiseringDyp læring↔ compare
- Forklarbar navngitt enhetsgjenkjenningDyp læring↔ compare
- Forklarbar TransformerDyp læring↔ compare
- Finjustert tekstoppsummeringDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Overføringslæring med tekstoppsummeringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →