所有解释都是错误的，但许多解释都是有用的：用 大语言模型 探索罗生门解释集

解释机器学习模型对于决策和消费者信任变得越来越重要，但人们普遍认为这是有代价的：现有的可解释人工智能（XAI）方法一直面临着准确性与可解释性之间的权衡。我们认为，这种权衡并不是根本性的，而是将解释和预测视为独立目标的产物；当正确耦合时，它们会变得互补，因此配备模型来解释自身可以提高而不是降低其准确性。我们引入了罗生门解释范式，它构建了一组忠实的预测指导解释，而不是单个解释，并证明该集合通常是非空的，并且解释保真度限制了它所指导的模型的性能。为了探索这个集合，我们提出了 RashomonLLM，一种解释-预测-反射代理工作流程，通过迭代地将解释与预测对齐来生成自然语言的解释，并且我们证明它收敛并恢复完整的集合。在客户流失分类、临床生存回归和大规模直播日志的工业点击率预测方面，RashomonLLM 在准确性和解释质量方面均显着优于最先进的预测和 XAI 基线，其收益由解释保真度驱动，并且对分布变化、时间分割和种子具有鲁棒性。因此，我们的框架可以提高业务绩效，同时为消费者信任奠定基础。