Nhận dạng thực thể có thể giải thích
Nhận dạng thực thể có thể giải thích (XAI-NER) kết hợp mô hình NER tiêu chuẩn — thường là bộ gán nhãn chuỗi dựa trên BERT hoặc BiLSTM-CRF — với các kỹ thuật giải thích hậu kiểm hoặc nội tại như LIME, SHAP, trực quan hóa sự chú ý, hoặc độ nhạy dựa trên đạo hàm để tiết lộ lý do tại sao mỗi token được gán một nhãn thực thể cụ thể. Tính minh bạch này là cần thiết trong các lĩnh vực có rủi ro cao như văn bản lâm sàng, tài liệu pháp lý và tài liệu y sinh học.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why Should I Trust You?": Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1135–1144. DOI: 10.1145/2939672.2939778 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Explainable Named Entity Recognition (XAI-NER). ScholarGate. https://scholargate.app/vi/deep-learning/explainable-named-entity-recognition
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.
- Phân loại dựa trên BERTHọc sâu↔ compare
- Phân loại dựa trên BERT có thể giải thíchHọc sâu↔ compare
- Phân tích Cảm xúc Có thể Giải thíchHọc sâu↔ compare
- Tóm tắt văn bản có thể giải thíchHọc sâu↔ compare
- Explainable Transformer (Transformer có thể giải thích được)Học sâu↔ compare
- Nhận dạng thực thể có tên (NER)Khai phá văn bản↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →