BoolXLLM: Spiegabilità Assistita da LLM per Modelli Booleani
Un nuovo framework ibrido chiamato BoolXLLM integra i Large Language Models nel processo di apprendimento di regole booleane per migliorare l'interpretabilità. Il sistema potenzia il classificatore BoolXAI in tre fasi: selezione delle caratteristiche, raccomandazione delle soglie e traduzione delle regole. I LLM guidano l'identificazione di variabili rilevanti per il dominio e propongono strategie di discretizzazione significative per le caratteristiche numeriche. L'obiettivo è rendere le regole logiche formali accessibili a stakeholder non tecnici. La ricerca è pubblicata su arXiv con identificatore 2605.12139.
Fatti principali
- BoolXLLM è un framework ibrido che integra i LLM nell'apprendimento di regole booleane.
- Potenzia il classificatore BoolXAI in tre fasi: selezione delle caratteristiche, raccomandazione delle soglie e traduzione delle regole.
- I LLM guidano l'identificazione di variabili rilevanti per il dominio.
- I LLM propongono strategie di discretizzazione semanticamente significative per le caratteristiche numeriche.
- Il lavoro mira a rendere le regole logiche formali accessibili a stakeholder non tecnici.
- Pubblicato su arXiv con identificatore 2605.12139.
- L'articolo è classificato come un nuovo tipo di annuncio.
- L'apprendimento automatico interpretabile cerca modelli trasparenti comprensibili dagli esseri umani.
Entità
Istituzioni
- arXiv