เปรียบเทียบวิธี

	การจำแนกประเภทโดยใช้ RoBERTa ที่อธิบายได้	การจำแนกประเภทโดยใช้ RoBERTa
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019–2020	2019
ผู้ริเริ่ม	Liu et al. (RoBERTa, 2019); Lundberg & Lee (SHAP, 2017); Ribeiro et al. (LIME, 2016)	Liu, Y. et al. (Facebook AI Research / University of Washington)
ประเภท	Pre-trained transformer classifier with post-hoc XAI	Pre-trained transformer fine-tuned for sequence classification
แหล่งต้นตำรับ	Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692.	Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692.
ชื่อเรียกอื่น	XAI-RoBERTa, Interpretable RoBERTa Classifier, RoBERTa with SHAP/LIME, Transparent RoBERTa NLP	RoBERTa classifier, RoBERTa text classification, Robustly Optimized BERT Classification, RoBERTa fine-tuning for classification
ที่เกี่ยวข้อง	5	5
สรุป	Explainable RoBERTa-based classification fine-tunes a RoBERTa transformer model on labeled text data and then applies post-hoc interpretability methods — such as SHAP, LIME, or attention analysis — to reveal which tokens or features drove each prediction. This bridges state-of-the-art NLP performance with human-understandable reasoning, satisfying both accuracy and transparency requirements.	RoBERTa-based Classification applies the RoBERTa pre-trained transformer — trained more robustly than BERT with dynamic masking and larger batches — to text categorisation tasks by adding a lightweight classification head on top of the [CLS] token representation and fine-tuning the entire model on labelled examples. It consistently matches or outperforms BERT on standard NLP benchmarks.