เปรียบเทียบวิธี

	แบบจำลองการแพร่กระจายที่อธิบายได้	ตัวเข้ารหัส-ถอดรหัสแบบแปรผันที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2022	2013–2017
ผู้ริเริ่ม	Ho, J., Jain, A., & Abbeel, P. (DDPM, 2020); XAI augmentation by subsequent researchers	Kingma, D. P. & Welling, M. (VAE); Higgins et al. (beta-VAE for disentanglement)
ประเภท	Generative model with post-hoc or intrinsic explainability	Generative model with interpretable latent space
แหล่งต้นตำรับ	Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851.	Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014).
ชื่อเรียกอื่น	XAI-DDPM, interpretable diffusion model, transparent diffusion model, explainable DDPM	XVAE, Interpretable VAE, Disentangled Variational Autoencoder, 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.	An Explainable Variational Autoencoder (XVAE) extends the standard VAE framework with techniques that make its latent space interpretable: disentangling latent dimensions so each corresponds to a human-understandable factor, or post-hoc attribution methods (SHAP, integrated gradients) that trace reconstructions back to input features. It retains the VAE's generative power while adding transparency required in scientific and high-stakes applications.