การสรุปข้อความที่อธิบายได้
Explainable Text Summarization เป็นการเพิ่มประสิทธิภาพให้กับโมเดลการสรุปข้อความอัตโนมัติ (ทั้งแบบ extractive หรือ abstractive) ด้วยวิธีการให้คำอธิบายแบบ post-hoc หรือแบบ built-in ซึ่งจะเปิดเผยว่าประโยคต้นฉบับ โทเค็น หรือรูปแบบ attention ใดที่ขับเคลื่อนแต่ละประโยคของผลลัพธ์ เป้าหมายคือการตรวจสอบความถูกต้อง ตรวจจับการสร้างข้อมูลที่ไม่เป็นจริง (hallucinations) และสร้างความไว้วางใจในผลลัพธ์ของโมเดลในสถานการณ์ที่มีความเสี่ยงสูง เช่น การตรวจสอบเอกสารทางการแพทย์หรือกฎหมาย
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. link ↗
- Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906–1919. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Explainable Text Summarization (XAI-augmented Abstractive and Extractive Summarization). ScholarGate. https://scholargate.app/th/deep-learning/explainable-text-summarization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- การรู้จำเอนทิตีที่มีคำอธิบาย (Explainable Named Entity Recognition)การเรียนรู้เชิงลึก↔ compare
- ทรานส์ฟอร์มเมอร์ที่อธิบายได้การเรียนรู้เชิงลึก↔ compare
- การสรุปความข้อความแบบปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare
- การเรียนรู้แบบถ่ายโอนกับการสรุปข้อความการเรียนรู้เชิงลึก↔ compare