Los investigadores presentan el paradigma Rashomon Explanation y RashomonLLM, un flujo de trabajo agente que genera un conjunto de explicaciones fieles que guían la predicción mediante su alineación iterativa con las predicciones. Los autores argumentan que tratar la explicación y la predicción como objetivos separados crea una compensación innecesaria, mientras que acoplarlas hace que las tareas sean complementarias.
- RashomonLLM utiliza un flujo de trabajo Explanation-Prediction-Reflection para recuperar el conjunto completo de explicaciones.
- Se demuestra que el método converge y acota el rendimiento del modelo a través de la fidelidad de la explicación.
- Supera a los métodos base de predicción y XAI más avanzados en precisión y calidad de explicación.
- Las mejoras son robustas ante cambios de distribución, divisiones temporales y semillas aleatorias.
El marco avanza el rendimiento empresarial mientras sienta las bases para la confianza del consumidor.