Wyjaśnialne streszczanie tekstu
Wyjaśnialne streszczanie tekstu wzbogaca modele automatycznego streszczania — ekstraktywne lub abstrakcyjne — o metody post-hoc lub wbudowane, które ujawniają, które zdania źródłowe, tokeny lub wzorce uwagi wpłynęły na każde zdanie wyjściowe. Celem jest audyt wierności, wykrywanie halucynacji i budowanie zaufania do wyników modelu w sytuacjach wysokiego ryzyka, takich jak przegląd dokumentów medycznych lub prawnych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/pl/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.
- Wyjaśnialna klasyfikacja oparta na BERTUczenie głębokie↔ compare
- Wyjaśnialne rozpoznawanie jednostek nazwanychUczenie głębokie↔ compare
- Wyjaśnialny TransformerUczenie głębokie↔ compare
- Dostrajanie podsumowywania tekstuUczenie głębokie↔ compare
- Osadzanie zdańUczenie głębokie↔ compare
- Transfer Learning with Text SummarizationUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →