ReSS框架：结合符号脚手架与神经网络的表格数据推理新方法

ReSS（Reasoning via Symbolic Scaffold）框架通过决策树提取符号脚手架指导大语言模型（LLM）生成忠实推理，解决了表格数据预测中准确性与可解释性的双重挑战。在医疗和金融基准测试中，相比传统方法准确率提升高达10%，同时保证推理的一致性和可解释性。

表格数据在医疗、金融等高风险领域占据主导地位，这些场景要求预测模型兼具高准确性与人类可理解的忠实推理。传统符号模型（如决策树）虽提供可验证逻辑，但语义表达能力有限；通用LLM虽有强语言生成能力，却需大量领域微调。此外，规模化构建高质量训练数据、确保推理一致性是两大难题。

ReSS框架通过三步流程弥合符号模型与神经网络的鸿沟：

1. 符号脚手架提取：利用决策树从训练数据中提取实例级决策路径作为结构化指导；
2. 忠实推理生成：将脚手架、输入特征和标签输入LLM，引导生成遵循决策逻辑的自然语言推理，杜绝幻觉；
3. 专业化微调与增强：用生成的高质量数据集微调预训练LLM，并通过脚手架不变的数据增强扩充训练数据，提升泛化能力。

在医疗和金融领域多个基准测试中，ReSS模型表现卓越：相比传统决策树和标准微调方法，实现最高10%的准确率提升，且未牺牲可解释性——生成的推理更忠实、一致。实验证明，符号脚手架引导下的神经网络可同时保留表达能力与符号模型的可解释性优势。

ReSS的核心创新包括：

• 忠实性评估指标：提出幻觉率（衡量事实不符比例）、解释必要性（剔除冗余）、解释充分性（覆盖关键信息）三项定量指标，构建综合可信度评估框架；
• 知识蒸馏范式：将符号模型的可解释性迁移到神经网络，保留后者表达能力；
• 脚手架不变数据增强：通过语义保持的决策路径变换扩充数据，缓解标注稀缺问题。

ReSS对高可解释预测行业价值显著：

• 医疗诊断：提供清晰可验证的推理链条，增强医生对AI系统的信任；
• 金融风控：生成忠实推理满足监管合规要求，同时保持高预测精度；
• 保险理赔、信贷审批：平衡自动化效率与决策透明度。

ReSS框架为表格数据预测任务开辟了兼顾准确性、可解释性和可扩展性的新路径。通过智能运用符号脚手架，成功结合符号模型的可解释性与神经网络的强大表达能力，为高风险领域AI应用提供更可靠的技术方案。