编码 LLM 可被用于从数据中学习可解释模型

研究者提出一种简单 harness，反复提示编码 LLM 在给定标注样本下生成规则集中的下一条规则，从而从数据中学习可解释模型。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，在小训练集上尤其明显，并在文本任务上大幅领先，包括击败另一个基于 LLM 的规则学习器。由于编码智能体不受高度受限假设空间的约束，该思路还直接带来新型可解释模型，并引入“构建可解释分类器”这一新类编码基准。