LLM工作流让风险评分诊断更一致、有据可查，告别黑箱！
A Controlled LLM Workflow for Evidence-Grounded Diagnosis of Risk Score Differences
📖 AI 总结
该论文提出一种受控的大语言模型工作流，用于借助相似历史交易解释风险评分差异。其核心做法是将参考案例检索与对比式SHAP证据相结合，再通过基于参考的LLM推理和确定性验证环节加以约束。在测试数据集上的实验表明，与缺乏结构化工作流引导的同一模型相比，该工作流能够生成更一致、更有证据支撑且可追溯的诊断结论。研究的意义在于，它为风险评分差异的解释提供了一条可验证、可审计的技术路径，说明结构化证据与确定性校验的结合有助于提升LLM在风险诊断场景中的可靠性，减少无依据推断。
🔑 关键词速览
| Controlled LLM Workflow | 一种通过结构化步骤约束大语言模型推理过程的工作流方法。 |
| Risk Score Differences | 不同交易或样本之间风险评分的差异，需要解释其成因。 |
| Contrastive SHAP | 对比性SHapley加性解释，用于量化特征对预测差异的贡献。 |
| Reference Retrieval | 从历史数据中检索相似参考样本以支持推理的过程。 |
| Deterministic Validation | 使用确定性规则或检查来验证模型输出正确性的步骤。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅