เปรียบเทียบวิธี

	GRU ที่อธิบายได้	หน่วยความจำแบบวนซ้ำแบบมีประตู (Gated Recurrent Unit - GRU)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2014 (GRU); 2016–2017 (XAI integration)	2014
ผู้ริเริ่ม	Cho, K. et al. (GRU); explainability layer via Lundberg & Lee (SHAP) and Ribeiro et al. (LIME)	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y.
ประเภท	Recurrent neural network with post-hoc or attention-based interpretability	Recurrent neural network with gating
แหล่งต้นตำรับ	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. Proceedings of EMNLP 2014, 1724–1734.	Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724–1734.
ชื่อเรียกอื่น	XAI-GRU, Interpretable GRU, GRU with explainability, Transparent GRU	GRU, GRU network, gated RNN, GRU cell
ที่เกี่ยวข้อง	5	3
สรุป	Explainable GRU pairs the Gated Recurrent Unit, a compact and efficient recurrent architecture, with explainability techniques such as SHAP, LIME, or attention weighting to reveal which time steps and features drove each prediction. It brings interpretability to sequential modelling without sacrificing the GRU's ability to capture temporal dependencies.	The Gated Recurrent Unit (GRU), introduced by Cho et al. in 2014, is a streamlined recurrent neural network that uses two learned gates — an update gate and a reset gate — to selectively retain or discard information across time steps, enabling effective sequence modelling with fewer parameters than LSTM.