RashomonLLM 耦合解释与预测以提高准确性和忠实度

研究人员引入了 Rashomon Explanation 范式和 RashomonLLM，这是一种代理工作流，通过将其与预测进行迭代对齐来生成一组忠实且指导预测的解释。作者认为，将解释和预测视为独立目标会产生不必要的权衡，而将它们耦合起来则使任务互补。

• RashomonLLM 使用 Explanation-Prediction-Reflection 工作流来恢复完整的解释集。
• 该方法被证明能够通过解释的忠实度收敛并限制模型性能。
• 它在准确性和解释质量方面优于最先进的预测和 XAI 基线方法。
• 收益对分布偏移、时间分割和随机种子具有鲁棒性。

该框架在推动业务性能的同时，也为消费者信任奠定了基础。