BoolXLLM：基于大语言模型的布尔模型可解释性方法
人工智能
2026-05-13 v1
摘要
可解释机器学习旨在提供可被人类轻松理解的透明模型，其决策过程需要直观可 comprehend。近期出现的基于规则的方法，如表达性布尔公式 (BoolXAI)，提供了对模型行为的忠实且紧凑的表征。然而，对于非技术人员而言，实际应用中仍面临主要挑战：(i) 选择语义上有意义的特征，和 (ii) 将形式逻辑规则翻译为易于理解的解释。在本工作中，我们提出了 BoolXLLM，作为一种混合框架，将大语言模型 (LLM) 集成到布尔规则学习的端到端流程中。我们在 BoolXAI——一种表达性布尔规则分类器中引入 LLM，于三个关键阶段：(1) 特征选择阶段，LLM 指导识别领域相关变量；(2) 阈值推荐阶段，LLM 提议语义上有意义的数值特征离散化策略；(3) 规则压缩与解释阶段，将布尔规则翻译为自然语言解释，分别在全局和局部层面。该集成桥接了形式、忠实的解释与人类可理解的叙述，使构建既在理论上有依据又易于非专家使用的可解释 AI 系统成为可能。初步实证结果表明，LLM 辅助的管道在保持具竞争力预测性能的同时，提高了可解释性。我们的工作凸显了将符号推理与语言模型结合用于以人类为中心可解释性的潜力。
引用
@article{arxiv.2605.12139,
title = {BoolXLLM: LLM-Assisted Explainability for Boolean Models},
author = {Du Cheng and Serdar Kadioglu and Xin Wang},
journal= {arXiv preprint arXiv:2605.12139},
year = {2026}
}