Pesquisadores introduzem o paradigma Rashomon Explanation e o RashomonLLM, um fluxo de trabalho agente que gera um conjunto de explicações fiéis que orientam a previsão por meio do alinhamento iterativo com as previsões. Os autores argumentam que tratar explicação e previsão como objetivos separados cria uma compensação desnecessária, enquanto acoplá-las torna as tarefas complementares.
- O RashomonLLM utiliza um fluxo de trabalho Explanation-Prediction-Reflection para recuperar o conjunto completo de explicações.
- O método é provado convergir e limitar o desempenho do modelo através da fidelidade da explicação.
- Ele supera as bases de previsão e XAI mais avançadas em precisão e qualidade de explicação.
- Os ganhos são robustos a mudanças de distribuição, divisões temporais e sementes aleatórias.
A estrutura avança o desempenho empresarial enquanto lança as bases para a confiança do consumidor.