เปรียบเทียบวิธี

	การสรุปข้อความที่อธิบายได้	ทรานส์ฟอร์มเมอร์ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019–2020	2017–2021
ผู้ริเริ่ม	Community (Maynez, Atanasova et al.)	Vaswani et al. (Transformer); explainability extensions by Chefer et al. and the broader XAI community
ประเภท	Explainable NLP pipeline	Interpretable deep learning model
แหล่งต้นตำรับ	Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). A diagnostic study of explainability techniques for text classification. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3256–3274. Association for Computational Linguistics.	Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
ชื่อเรียกอื่น	XAI text summarization, interpretable summarization, transparent summarization, faithfulness-aware summarization	XAI Transformer, Interpretable Transformer, Transparent Transformer, Explainable Attention Model
ที่เกี่ยวข้อง	6	4
สรุป	Explainable Text Summarization augments automatic summarization models — extractive or abstractive — with post-hoc or built-in explanation methods that reveal which source sentences, tokens, or attention patterns drove each output sentence. The goal is to audit faithfulness, detect hallucinations, and build trust in model outputs in high-stakes settings such as medical or legal document review.	An Explainable Transformer combines a standard or pre-trained Transformer architecture with post-hoc or built-in interpretability techniques — such as attention rollout, gradient-weighted attention, or SHAP — to reveal which input tokens or regions drove each prediction. The approach bridges high predictive accuracy with the transparency required in high-stakes or regulated domains.