进化式 LLM 特征实现可解释分类
原文标题：Evolving LLM-Generated Features for Interpretable Classification
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出进化框架，迭代发现自然语言特征定义（评分规则），由 LLM 生成候选二值特征并评估样本，训练逻辑回归等透明分类器。进化特征平均比单次评分规则提升 2.9 个百分点，并在三个任务中的两个超越零样本 LLM 分类。在信用风险任务上，零样本 LLM 仅达随机水平且偏向单一类别，进化特征则给出平衡可解释预测。
- 问题
- LLM分类器不透明，难以用于信用评分、医疗诊断等受监管领域。
- 方法
- 用进化框架迭代发现自然语言特征定义，由LLM生成二值特征并评估样本，再训练逻辑回归等透明分类器。
- 结果
- 进化特征平均比单次评分规则提升2.9个百分点，三个任务中两个超越零样本LLM分类；信用风险任务上零样本LLM仅50.7%且偏向单一类别。
- 影响
- 为受监管场景提供可审计的决策逻辑，并揭示聚合准确率会掩盖按类别审计才暴露的失败。
深读 · 结论先行AI 生成展开看要点与影响 ↓
进化式LLM特征比单次评分规则平均提升2.9个百分点，信用风险任务上零样本LLM仅50.7%近随机。
- •框架由LLM生成候选二值特征并评估样本，再训练逻辑回归等透明分类器
- •进化特征平均比单次评分规则提升2.9个百分点
- •三个任务中两个超越零样本LLM直接分类
- •信用风险任务上零样本LLM仅50.7%接近随机且强烈偏向单一类别
- •该失败在总体准确率中不可见，只有逐类审计才暴露
为什么重要：对信用评分、医疗诊断等受监管场景，可审计的决策逻辑比黑箱LLM更可用，且提示总体准确率会掩盖类别偏置。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。