論文の概要: BoolXLLM: LLM-Assisted Explainability for Boolean Models

• arxiv url: http://arxiv.org/abs/2605.12139v1
• Date: Tue, 12 May 2026 13:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.894824
• Title: BoolXLLM: LLM-Assisted Explainability for Boolean Models
• Title（参考訳）: BoolXLLM: ブールモデルのLCM支援説明可能性
• Authors: Du Cheng, Serdar Kadioglu, Xin Wang,
• Abstract要約: 解釈可能な機械学習は、意思決定プロセスが人間が容易に理解できる透明なモデルを提供することを目的としている。 i)意味的に意味のある特徴を選択し、(ii)形式論理規則をアクセス可能な説明に翻訳する。 ブールルール学習のエンドツーエンドパイプラインに大規模言語モデルを統合するハイブリッドフレームワークとして,BoolXLLMを提案する。
• 参考スコア（独自算出の注目度）: 6.97075461976982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpretable machine learning aims to provide transparent models whose decision-making processes can be readily understood by humans. Recent advances in rule-based approaches, such as expressive Boolean formulas (BoolXAI), offer faithful and compact representations of model behavior. However, for non-technical stakeholders, main challenges remain in practice: (i) selecting semantically meaningful features and (ii) translating formal logical rules into accessible explanations. In this work, we propose BoolXLLM , as a hybrid framework that integrates Large Language Models (LLMs) into the end-to-end pipeline of Boolean rule learning. We augment BoolXAI , an expressive Boolean rule-based classifier, with LLMs at three critical stages: (1) feature selection, where LLMs guide the identification of domain-relevant variables; (2) threshold recommendation, where LLMs propose semantically meaningful discretization strategies for numerical features; and (3) rule compression and interpretation, where Boolean rules are translated into natural language explanations at both global and local levels. This integration bridges formal, faithful explanations with human-understandable narratives. This allows build an explainable AI system that is both theoretically grounded and accessible to non-experts. Early empirical results demonstrate that LLM-assisted pipelines improve interpretability while maintaining competitive predictive performance. Our work highlights the promise of combining symbolic reasoning with language-based models for human-centered explainability.
• Abstract（参考訳）: 解釈可能な機械学習は、意思決定プロセスが人間が容易に理解できる透明なモデルを提供することを目的としている。 表現的ブール公式 (BoolXAI) のような規則に基づくアプローチの最近の進歩は、モデル行動の忠実でコンパクトな表現を提供する。 しかし、非技術ステークホルダーにとって、主な課題は、次のようなままである。 一 意味のある特徴を選定すること (二)形式的論理規則をアクセス可能な説明に翻訳すること。 本稿では,大規模言語モデル(LLM)をBooleanルール学習のエンドツーエンドパイプラインに統合するハイブリッドフレームワークとして,BoolXLLMを提案する。 1) LLMがドメイン関連変数の識別を導く特徴選択,(2) LLMが数値的特徴に対して意味論的に意味のある離散化戦略を提案するしきい値推薦,(3) ルール圧縮と解釈,(3) ブール規則がグローバルレベルとローカルレベルの両方で自然言語説明に変換される規則圧縮と解釈の3つの重要な段階において, ブール規則に基づく表現的分類器であるBoolXAIを拡大する。 この統合は、形式的で忠実な説明と人間の理解可能な物語を橋渡しする。 これにより、理論的に根拠があり、非専門家にもアクセス可能な説明可能なAIシステムを構築することができる。 初期の実証実験の結果、LLM支援パイプラインは、競争力のある予測性能を維持しながら解釈性を向上させることが示された。 我々の研究は、記号的推論と言語に基づくモデルを組み合わせることで、人間中心の説明可能性を高めるという約束を強調している。

関連論文リスト

• Improving Implicit Discourse Relation Recognition with Natural Language Explanations from LLMs [6.696390269864987]
  Implicit Discourse Relation Recognition (IDRR) は、深い意味理解を必要とするため、依然として困難な課題である。 大規模言語モデル(LLM)の最近の進歩は、深い言語理解と自然言語説明の生成において強力な推論能力を示している。 本稿では, LLMの推論能力を軽量IDRRモデルに抽出し, 性能と解釈性の両方を改善するための, 簡便かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2026-02-25T10:28:45Z)
• Sound and Complete Neurosymbolic Reasoning with LLM-Grounded Interpretations [7.81820080453498]
  大規模言語モデル(LLM)は、自然言語の理解と生成において印象的な能力を示している。 パラ一貫性論理に対する形式的意味論の解釈関数に LLM を直接統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T19:05:43Z)
• Learning to Reason via Mixture-of-Thought for Logical Reasoning [56.24256916896427]
  Mixture-of-Thought (MoT) は、LLMが自然言語、コード、真理表の3つの相補的なモダリティにまたがる推論を可能にするフレームワークである。 MoT は,(1) 自己進化型 MoT トレーニング,(2) 3 つのモーダルの相乗効果を完全に活用してより良い予測を生成する MoT 推論,という2段階の設計を採用する。
  論文  参考訳（メタデータ） (2025-05-21T17:59:54Z)
• Large Language Models are Interpretable Learners [53.56735770834617]
  本稿では,Large Language Models(LLM)とシンボルプログラムの組み合わせによって,表現性と解釈可能性のギャップを埋めることができることを示す。 自然言語プロンプトを持つ事前訓練されたLLMは、生の入力を自然言語の概念に変換することができる解釈可能な膨大なモジュールセットを提供する。 LSPが学んだ知識は自然言語の記述と記号規則の組み合わせであり、人間(解釈可能)や他のLLMに容易に転送できる。
  論文  参考訳（メタデータ） (2024-06-25T02:18:15Z)
• FaithLM: Towards Faithful Explanations for Large Language Models [60.45183469474916]
  大規模言語モデルの忠実度を評価し改善するモデルに依存しないフレームワークであるFaithLMを紹介した。 FaithLMは一貫して忠実度を高め、強い自己説明ベースラインよりも人間の合理性に整合した説明を生成する。
  論文  参考訳（メタデータ） (2024-02-07T09:09:14Z)
• Sparsity-Guided Holistic Explanation for LLMs with Interpretable Inference-Time Intervention [53.896974148579346]
  大規模言語モデル(LLM)は、様々な自然言語処理領域において前例のないブレークスルーを達成した。 LLMの謎的なブラックボックスの性質は、透過的で説明可能なアプリケーションを妨げる、解釈可能性にとって重要な課題である。 本稿では,LLMの全体的解釈を提供することを目的として,スポーシティ誘導技術に係わる新しい方法論を提案する。
  論文  参考訳（メタデータ） (2023-12-22T19:55:58Z)
• ChatABL: Abductive Learning via Natural Language Interaction with ChatGPT [72.83383437501577]
  大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。 LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。 本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T16:23:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。