摘要
针对高风险领域表格数据预测对高精度与可解释推理的双重需求，本文提出 ReSS 框架。该方法利用决策树提取实例级决策路径作为符号支架，引导大语言模型生成严格遵循底层逻辑的自然语言推理。通过由此构建的高质量数据集微调预训练模型，并辅以支架不变的数据增强策略，显著提升了模型的泛化性与解释性。实验表明，ReSS 在医疗和金融基准测试中优于传统决策树及标准微调方法，同时保证了推理的忠实度与一致性。
AI 推荐理由
论文核心在于利用符号支架训练 LLM 生成忠实、可解释的表格数据推理，直接提升推理能力。
研究机构
Department of Computer Science & Engineering, Texas A&M University, College Station, USA
论文信息