PONTE：面向自然语言可信解释的个性化编排

可解释人工智能（XAI）旨在增强机器学习系统的透明度和可解释性，但大多数方法遵循一种适用于所有人的范式，忽视了用户在专业知识、目标和认知需求方面的差异。虽然大型语言模型能够将技术解释转化为自然语言，但它们带来了忠实性和幻觉方面的挑战。为解决这些挑战，本文提出了PONTE（Personalized Orchestration for Natural language Trustworthy Explanations），即一个面向自然语言可信解释的个性化编排框架。PONTE将个性化建模为一个闭环的验证和适应过程，而非提示工程。它结合了：（i）捕获风格需求的低维偏好模型；（ii）基于结构化XAI制品的偏好条件生成器；以及（iii）强制执行数值忠实性、信息完整性和风格对齐的验证模块，可选地由检索 grounding 的论证支持。用户反馈会迭代地更新偏好状态，从而实现快速个性化。跨越医疗和金融领域的自动和人类评估表明，验证-精炼循环在无验证生成的完整性和风格对齐方面显著提升了表现。人类研究进一步确认，预期偏好向量与感知风格之间的一致性强、对生成随机性的鲁棒性强，并且始终获得积极的质量评估。