著者は、単一の説明に依存するのではなく、忠実で予測を導く説明のセットを構築するRashomon Explanationパラダイムを導入します。彼らは、予測と反復的に整合させることで自然言語の説明を生成するエージェント型ワークフローであるRashomonLLMを提案します。

  • このフレームワークは、説明の忠実性がモデルのパフォーマンスを制限し、説明のセットが一般的に空でないことを証明しています。
  • RashomonLLMはExplanation-Prediction-Reflectionワークフローを通じて収束し、説明の完全なセットを回復します。
  • 顧客離脱、臨床的生存率、産業用クリックスルーのタスクにおいて、精度と説明の品質の両面で最先端の予測およびXAIベースラインを大幅に上回ります。

このアプローチは、説明と予測を組み合わせることが両方を改善することを示すことで、消費者の信頼の基盤を築きながらビジネスパフォーマンスを向上させます。