เปรียบเทียบวิธี

	แบบจำลองการแพร่กระจายที่อธิบายได้	Explainable GAN
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2022	2019 (GAN Dissection); ongoing
ผู้ริเริ่ม	Ho, J., Jain, A., & Abbeel, P. (DDPM, 2020); XAI augmentation by subsequent researchers	Bau, D. et al. (GAN Dissection); broader XAI-GAN community
ประเภท	Generative model with post-hoc or intrinsic explainability	Explainable generative model
แหล่งต้นตำรับ	Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851.	Bau, D., Zhu, J.-Y., Strobelt, H., Zhou, B., Tenenbaum, J. B., Freeman, W. T., & Torralba, A. (2019). GAN Dissection: Visualizing and Understanding Generative Adversarial Networks. In Proceedings of the International Conference on Learning Representations (ICLR 2019).
ชื่อเรียกอื่น	XAI-DDPM, interpretable diffusion model, transparent diffusion model, explainable DDPM	XAI-GAN, Interpretable GAN, Transparent GAN, Explainable Generative Model
ที่เกี่ยวข้อง	6	4
สรุป	An Explainable Diffusion Model couples a denoising diffusion probabilistic model with post-hoc or intrinsic explainability techniques — such as SHAP, gradient-based saliency, attention analysis, or concept-based probing — so that each generative or predictive decision can be audited and justified rather than treated as a black box.	Explainable GAN applies interpretability techniques to Generative Adversarial Networks to reveal which internal units and latent directions cause specific visual or structural features in generated outputs. It combines GAN training with post-hoc analysis tools — such as unit dissection, saliency maps, or disentangled latent spaces — to make generative model behaviour transparent and auditable.