연구자들은 Rashomon Explanation 패러다임과 RashomonLLM을 소개했습니다. 이는 예측과 반복적으로 정렬하여 충실한 예측 유도 설명 세트를 생성하는 에이전트 워크플로우입니다. 저자들은 설명과 예측을 별개의 목표로 다루는 것이 불필요한 트레이드오프를 만든다고 주장하는 반면, 이를 결합하면 작업이 상호 보완적이 된다고 말합니다.

  • RashomonLLM은 Explanation-Prediction-Reflection 워크플로우를 사용하여 전체 설명 세트를 복원합니다.
  • 이 방법은 수렴함이 증명되었으며, 설명 충실도를 통해 모델 성능을 제한합니다.
  • 정확도와 설명 품질 측면에서 최신 예측 및 XAI 베이스라인을 능가합니다.
  • 분포 변화, 시간 분할, 무작위 시드에 대해 강건한 개선을 보입니다.

이 프레임워크는 비즈니스 성과를 향상시키는 동시에 소비자 신뢰의 기반을 마련합니다.