เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การรู้จำเอนทิตีที่มีคำอธิบาย (Explainable Named Entity Recognition)× | การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้เชิงลึก | การเรียนรู้เชิงลึก |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2018–2020 | 2019–2020 |
| ผู้ริเริ่ม≠ | Community-driven (NLP + XAI research) | Devlin et al. (BERT); explainability methods by Lundberg & Lee (SHAP), Ribeiro et al. (LIME), Sundararajan et al. (Integrated Gradients) |
| ประเภท≠ | Interpretability-augmented sequence labeling | Pre-trained transformer classifier with post-hoc or intrinsic explainability |
| แหล่งต้นตำรับ≠ | Danilevsky, M., Qian, K., Aharonov, R., Katsis, Y., Kawas, B., & Sen, P. (2020). A Survey of the State of Explainable AI for Natural Language Processing. Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics (AACL-IJCNLP), pp. 447–459. link ↗ | Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, pp. 4171–4186. DOI ↗ |
| ชื่อเรียกอื่น | XAI-NER, Interpretable NER, Transparent Named Entity Recognition, Explainable NER | XAI-BERT, interpretable BERT classifier, BERT with post-hoc explanation, transparent BERT classification |
| ที่เกี่ยวข้อง | 6 | 6 |
| สรุป≠ | Explainable Named Entity Recognition (XAI-NER) combines a standard NER model — typically a BERT-based or BiLSTM-CRF sequence labeler — with post-hoc or intrinsic explainability techniques such as LIME, SHAP, attention visualization, or gradient-based saliency to reveal why each token was assigned a particular entity label. This transparency is essential in high-stakes domains like clinical text, legal documents, and biomedical literature. | Explainable BERT-based Classification combines the predictive power of fine-tuned BERT transformers for text classification with post-hoc or intrinsic explainability techniques — such as SHAP, LIME, attention analysis, or integrated gradients — to reveal which words or tokens drove each prediction. The result is a classifier that is both accurate and interpretable enough for high-stakes or auditable NLP applications. |
| ScholarGateชุดข้อมูล ↗ |
|
|