Los autores introducen el paradigma Rashomon Explanation, que construye un conjunto de explicaciones fieles que guían la predicción en lugar de depender de una sola. Proponen RashomonLLM, un flujo de trabajo agente que genera explicaciones en lenguaje natural alineándolas iterativamente con las predicciones.
- El marco demuestra que la fidelidad de la explicación acota el rendimiento del modelo y que el conjunto de explicaciones generalmente no está vacío.
- RashomonLLM converge y recupera el conjunto completo de explicaciones a través de su flujo de trabajo Explanation-Prediction-Reflection.
- Supera significativamente a las líneas base de predicción y XAI más avanzadas en precisión y calidad de explicación en tareas de abandono de clientes, supervivencia clínica y clics industriales.
El enfoque mejora el rendimiento empresarial mientras sienta las bases para la confianza del consumidor al demostrar que acoplar explicación y predicción mejora ambos.