LLM成对比较加统计模型可发现可解释特征
资讯摘要
论文提出一种从非结构化数据中自动发现可解释、与决策相关特征的方法：让LLM对样本两两比较并说明区分二者的特征，再将这些解释作为数据，用统计选择模型汇总，识别相关特征并估计每个样本在各特征上的得分。作者在合成求职信数据集上报告特征恢复显著优于直接让LLM抽取特征，并在ChangeMyView辩论数据集上发现若干与说服相关的可解释特征，预测准确率与既有基线相当；同一批解释还可用于审计LLM决策。
要点速读
- 方法核心是LLM成对比较并生成可解释理由，再由统计选择模型汇总这些理由
- 在已知真实特征的合成求职信数据集上，作者报告特征恢复显著优于直接LLM特征抽取
- 在ChangeMyView数据集上发现与说服相关的可解释特征，预测准确率与既有基线相当
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。