随着机器学习模型在决策制定和消费者信任中的重要性日益增加，解释这些模型的必要性也随之上升。然而，现有的可解释人工智能（XAI）方法常常面临一个持续的准确性与可解释性之间的权衡。我们认为，这种权衡并非根本性的，而是由于将解释与预测视为独立目标所导致的伪命题；当二者得以合理结合时，它们实际上是互补的，从而使得模型的自我解释能力提升，进而提高其准确性。
我们提出了拉肖蒙解释范式（Rashomon Explanation），该范式构建了一组忠实且指导预测的解释，而非单一解释。我们证明，这组解释通常是非空的，并且解释的保真度对其所指导模型的性能有界限。为探索这一集合，我们提出了RashomonLLM，这是一个解释-预测-反思的智能工作流，通过与预测的迭代对齐生成自然语言的解释，并证明其收敛性，能够恢复完整的解释集。
在客户流失分类、临床生存回归及工业点击率预测等大规模实时流日志的应用中，RashomonLLM在准确性和解释质量上显著超越了现有的XAI基线，且这种提升是由解释的保真度驱动的，能够应对分布变化、时间切分和随机种子等挑战。因此，我们的框架不仅提升了商业绩效，也为消费者信任奠定了基础。
博主点评： 拉肖蒙解释范式为可解释性和预测准确性之间的传统权衡提供了新的视角，强调了二者的协同作用。通过RashomonLLM的应用，研究者不仅为模型决策提供了更高的透明度，同时也推动了商业智能的进步，值得关注与研究。