เปรียบเทียบวิธี

	แบบจำลองการแพร่กระจายที่อธิบายได้	Transformer วิสัยทัศน์ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2022	2021
ผู้ริเริ่ม	Ho, J., Jain, A., & Abbeel, P. (DDPM, 2020); XAI augmentation by subsequent researchers	Chefer, H., Gur, S., & Wolf, L. (attribution framework); Dosovitskiy et al. (base ViT)
ประเภท	Generative model with post-hoc or intrinsic explainability	Post-hoc explainability applied to Vision Transformer
แหล่งต้นตำรับ	Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems, 33, 6840–6851.	Chefer, H., Gur, S., & Wolf, L. (2021). Transformer interpretability beyond attention visualization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 782–791.
ชื่อเรียกอื่น	XAI-DDPM, interpretable diffusion model, transparent diffusion model, explainable DDPM	XViT, Interpretable ViT, Explainable ViT, Transparent Vision Transformer
ที่เกี่ยวข้อง	6	5
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 Vision Transformer combines the strong image-recognition performance of Vision Transformers (ViT) with attribution techniques — such as relevance propagation, attention rollout, or gradient-weighted attention — that highlight which image regions drive each prediction. The approach enables researchers and practitioners to audit model decisions and satisfy transparency requirements without sacrificing accuracy.