RashomonLLM 将解释与预测耦合以提高准确性和忠实度

作者引入了 Rashomon Explanation 范式，该范式构建了一组忠实且指导预测的解释，而不是依赖单一解释。他们提出了 RashomonLLM，一种代理工作流，通过迭代地将自然语言解释与预测对齐来生成解释。

• 该框架证明了解释的忠实度限制了模型性能，并且解释集合通常非空。
• RashomonLLM 通过其 Explanation-Prediction-Reflection 工作流收敛并恢复完整的解释集合。
• 在客户流失、临床生存和工业点击率任务中，它在准确性和解释质量方面显著优于最先进的预测和 XAI 基线。

该方法通过证明耦合解释和预测可以改进两者，从而提升业务性能并为消费者信任奠定基础。