เปรียบเทียบวิธี

	โครงข่ายประสาทเทียมเวียนซ้ำที่อธิบายได้	โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017–2020	1986–1990
ผู้ริเริ่ม	Arrived via XAI literature (Arrieta et al., Lundberg & Lee, and attention-based RNN work)	Rumelhart, D. E.; Elman, J. L.
ประเภท	Interpretability framework applied to sequence models	Sequential neural network
แหล่งต้นตำรับ	Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.	Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211.
ชื่อเรียกอื่น	Explainable RNN, Interpretable RNN, XAI-RNN, Transparent Recurrent Neural Network	RNN, Elman network, Jordan network, simple recurrent network
ที่เกี่ยวข้อง	5	3
สรุป	An Explainable Recurrent Neural Network (XAI-RNN) pairs a standard RNN architecture with a post-hoc or intrinsic interpretability method — such as SHAP, LIME, integrated gradients, or attention visualization — to reveal which input time steps or tokens most influence the model's sequential predictions, without sacrificing predictive accuracy.	A Recurrent Neural Network (RNN) is a class of neural network designed to process sequential data by maintaining a hidden state that carries information across time steps. Introduced in its modern form by Rumelhart et al. (1986) and further shaped by Elman (1990), RNNs became the dominant architecture for sequence modelling in NLP, speech, and time-series analysis before the rise of attention-based models.