Os autores introduzem o paradigma Rashomon Explanation, que constrói um conjunto de explicações fiéis que orientam a previsão, em vez de depender de uma única. Eles propõem o RashomonLLM, um fluxo de trabalho agente que gera explicações em linguagem natural alinhando-as iterativamente com as previsões.
- O framework prova que a fidelidade da explicação limita o desempenho do modelo e que o conjunto de explicações geralmente não é vazio.
- O RashomonLLM converge e recupera o conjunto completo de explicações por meio de seu fluxo de trabalho Explanation-Prediction-Reflection.
- Ele supera significativamente as linhas de base de previsão e XAI mais recentes em precisão e qualidade de explicação em tarefas de churn de clientes, sobrevivência clínica e cliques industriais.
A abordagem avança o desempenho dos negócios enquanto estabelece a base para a confiança do consumidor, demonstrando que acoplar explicação e previsão melhora ambos.