Les auteurs introduisent le paradigme Rashomon Explanation, qui construit un ensemble d'explications fidèles guidant la prédiction plutôt que de s'appuyer sur une seule. Ils proposent RashomonLLM, un flux de travail agentique qui génère des explications en langage naturel en les alignant itérativement avec les prédictions.
- Le cadre prouve que la fidélité de l'explication borne la performance du modèle et que l'ensemble des explications est généralement non vide.
- RashomonLLM converge et récupère l'ensemble complet d'explications grâce à son flux de travail Explanation-Prediction-Reflection.
- Il surpasse significativement les états de l'art en prédiction et en XAI en termes de précision et de qualité des explications sur les tâches de désabonnement client, de survie clinique et de taux de clic industriel.
L'approche améliore la performance commerciale tout en jetant les bases de la confiance des consommateurs en démontrant que le couplage de l'explication et de la prédiction améliore les deux.