arXiv · cs.AI· Aditya Kumar, Cassandra A. Cohen, William W. Cohen·· 11 小时前
利用编码LLM从数据中学习可解释模型
Coding LLMs Can Be Harnessed to Learn Interpretable Models from Data
arXiv:2610.14006v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Aditya Kumar, Cassandra A. Cohen, William W. Cohen
研究任务与主要进展
该研究提出一种编码LLM驱动的规则学习框架，反复提示模型根据带标签样本生成规则集的下一条规则。作者基于论文摘要声称，该方法在表格数据上具有竞争力，在小训练集场景下常优于现有方法，并在文本任务上大幅超过另一种LLM规则学习器；同时，编码Agent不受严格假设空间限制，可构建更多类型的可解释模型。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org