编码 LLM 可从数据中学习可解释模型
原文标题：Coding LLMs Can Be Harnessed to Learn Interpretable Models from Data
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。
论文提出一种简单框架，反复提示编码 LLM 生成规则集中的下一条规则，从而从数据中学习可解释分类器。该方法在表格数据上与最先进规则学习方法相当甚至更优，在文本任务上大幅领先，并引入「构建可解释分类器」这一新型编码基准。
- 问题
- 能否用编码 LLM 从数据中学习紧凑可解释的分类器。
- 方法
- 反复提示编码 LLM 生成规则集中的下一条规则，突破传统规则学习的受限假设空间。
- 结果
- 表格数据上媲美或优于最先进规则学习方法，小训练集优势明显；文本任务大幅领先。
- 影响
- 为可解释模型提供新范式，并引入「构建可解释分类器」这类编码基准，适合需要可审计决策的场景。
深读 · 结论先行AI 生成展开看要点与影响 ↓
反复提示编码LLM逐条生成规则，在表格与文本任务上比肩或超越SOTA规则学习。
- •方法：给定标注样本，反复提示编码LLM生成规则集中的下一条规则，形成可解释分类器
- •表格数据上与最先进规则学习方法相当甚至更优，小训练集下优势尤其明显
- •文本任务上大幅领先，包括优于另一个基于LLM的规则学习器
- •该框架优于标准harness，且因编码智能体不受限于受限假设空间，可产生新型可解释模型
- •提出「构建可解释分类器」这一新型编码基准，含测试集误差等量化指标
为什么重要：为可解释ML提供了新路径，也把编码智能体能力评测从写代码扩展到从数据中构造可解释模型。
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。