DecisionFlow: Advancing Large Language Model as Principled Decision Maker

要約

ヘルスケアやファイナンスなどのハイステークスドメインでは、効果的な意思決定には正確な結果だけでなく、透明で説明可能な推論が必要です。
ただし、現在の言語モデルには、そのようなタスクに必要な構造化された審議が欠けていることが多く、代わりに、切断された事後の方法で決定と正当化を生成します。
これに対処するために、decisionflowを提案します。これは、アクション、属性、制約の構造化された表現を推論するためにモデルを導く新しい決定モデリングフレームワークです。
プロンプトからの回答を直接予測するのではなく、DecisionFlowは意味的に接地された決定空間を構築し、潜在的なユーティリティ機能を透明性のあるユーティリティ駆動型の方法で評価します。
このプロセスは、モデルの推論を反映した解釈可能な理論的根拠と密接に決定を生み出します。
2つのハイステークスベンチマークでの経験的結果は、DecisionFlowが強力なプロンプトベースラインよりも最大30％の精度を達成するだけでなく、結果のアライメントを強化することを示しています。
私たちの仕事は、象徴的な推論をLLMと統合するための重要なステップであり、より説明責任のある、説明可能で信頼性の高いLLM意思決定支援システムを可能にします。
https://github.com/xiusic/decisionflowでデータとコードをリリースします。

要約(オリジナル)

In high-stakes domains such as healthcare and finance, effective decision-making demands not just accurate outcomes but transparent and explainable reasoning. However, current language models often lack the structured deliberation needed for such tasks, instead generating decisions and justifications in a disconnected, post-hoc manner. To address this, we propose DecisionFlow, a novel decision modeling framework that guides models to reason over structured representations of actions, attributes, and constraints. Rather than predicting answers directly from prompts, DecisionFlow builds a semantically grounded decision space and infers a latent utility function to evaluate trade-offs in a transparent, utility-driven manner. This process produces decisions tightly coupled with interpretable rationales reflecting the model’s reasoning. Empirical results on two high-stakes benchmarks show that DecisionFlow not only achieves up to 30% accuracy gains over strong prompting baselines but also enhances alignment in outcomes. Our work is a critical step toward integrating symbolic reasoning with LLMs, enabling more accountable, explainable, and reliable LLM decision support systems. We release the data and code at https://github.com/xiusic/DecisionFlow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google