Les chercheurs présentent le paradigme Rashomon Explanation et RashomonLLM, un flux de travail agentique qui génère un ensemble d'explications fidèles guidant la prédiction en les alignant itérativement avec les prédictions. Les auteurs soutiennent que traiter l'explication et la prédiction comme des objectifs séparés crée un compromis inutile, tandis que leur couplage rend les tâches complémentaires.
- RashomonLLM utilise un flux de travail Explanation-Prediction-Reflection pour récupérer l'ensemble complet d'explications.
- La méthode est prouvée converger et borner les performances du modèle par la fidélité de l'explication.
- Elle surpasse les bases de référence de prédiction et d'XAI les plus avancées en précision et qualité d'explication.
- Les gains sont robustes aux décalages de distribution, aux splits temporels et aux graines aléatoires.
Le cadre améliore la performance commerciale tout en jetant les bases de la confiance des consommateurs.