Explainable Question Answering
Explainable Question Answering (XQA) kết hợp các mô hình đọc hiểu bằng mạng nơ-ron — thường là các transformer thuộc họ BERT — với các phương pháp diễn giải như trích xuất lý do (rationale extraction), trực quan hóa sự chú ý (attention visualization), LIME, hoặc SHAP để làm rõ lý do tại sao mô hình chọn một khoảng trả lời (answer span) cụ thể. Mục tiêu không chỉ là độ chính xác mà còn là lý luận đáng tin cậy, có thể kiểm toán mà người dùng và chuyên gia lĩnh vực có thể xem xét và xác minh.
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
- DeYoung, J., Jain, S., Rajani, N. F., Lehman, E., Xiong, C., Socher, R., & Wallace, B. C. (2020). ERASER: A Benchmark to Evaluate Rationalized NLP Models. In Proceedings of ACL 2020, pp. 4443–4458. DOI: 10.18653/v1/2020.acl-main.408 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. In Proceedings of EMNLP 2016, pp. 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Explainable Question Answering (XQA). ScholarGate. https://scholargate.app/vi/deep-learning/explainable-question-answering
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
- Explainable Transformer (Transformer có thể giải thích được)Học sâu↔ compare
- Phân loại dựa trên RoBERTaHọc sâu↔ compare
- Nhúng câu (Sentence Embeddings)Học sâu↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →