What question did this study set out to answer?

The research aims to improve probabilistic reasoning by aggregating multiple evidence sources while quantifying uncertainty.

March 25, 2026Open Access

أعرف ما لا أعلم: نماذج العوامل البانية الكامنة الخلفية للتفكير الاحتمالي متعدد الأدلة

Key Points

The research aims to improve probabilistic reasoning by aggregating multiple evidence sources while quantifying uncertainty.
Introduced Latent Posterior Factors (LPF) framework for probabilistic reasoning.
Implemented two architectures: LPF-SPN for structured inference and LPF-Learned for end-to-end aggregation.
Conducted comprehensive evaluation across eight domains, including synthetic data and the FEVER benchmark.
LPF-SPN achieved high accuracy, reaching up to 97.8%.
Demonstrated low calibration error with ECE of 1.4%.
Substantial improvement over existing frameworks, like evidential deep learning and graph-based methods.

Abstract

تحدي تجميع الأدلة المتعددة. تتطلب عملية اتخاذ القرار في العالم الحقيقي—from تقدير الامتثال الضريبي إلى التشخيص الطبي—تجميع مصادر متعددة من الأدلة الضوضائية والمتعارضة المحتملة. تفتقر النهج الحالية إما إلى كمية عدم اليقين الواضحة (طرق التجميع العصبي) أو تعتمد على عبارات منفصلة مصممة يدويًا (أطر منطق احتمالي)، مما يحد من قابلية التوسع للبيانات غير المنظمة. نهجنا: عوامل الخلفية الكامنة (LPF). نقدم LPF، وهو إطار يحول الخلفيات الكامنة لمحول التباين (VAE) إلى عوامل احتمال ناعمة لاستنتاج شبكة مجموع-المنتج (SPN). وهذا يمكّن التفكير الاحتمالي القابل للحل على الأدلة غير المنظمة بينما يحافظ على تقديرات عدم اليقين المعيارية. معماريتان متكاملتان. نقدم LPF في شكلين: LPF-SPN، الذي يقوم بعمليات استنتاج قائمة على العوامل المهيكلة، وLPF-Learned، الذي يتعلم تجميع الأدلة من البداية للنهاية. يتيح هذا التصميم مقارنة مبدئية بين التفكير الاحتمالي الواضح والتجميع المتعلم تحت تمثيل عدم يقين مشترك. تقييم شامل. عبر ثمانية مجالات (سبعة صناعية ومقياس FEVER)، حقق LPF-SPN دقة عالية (تصل إلى 97.8%)، وخطأ معايرة منخفض (ECE 1.4%)، وتوافق احتمالي قوي كما تم قياسه بواسطة اللوجاريتم السالب، متفوقًا بشكل كبير على التعلم العميق الدليلي والأساسيات القائمة على الرسوم البيانية. تم حساب النتائج على 15 نموذج عشوائي لضمان موثوقية إحصائية. المساهمات الرئيسية: أول إطار عام يجسر بين تمثيلات عدم اليقين الكامنة والتفكير الاحتمالي المنظم معماريات مزدوجة تتيح مقارنة مسيطر عليها لبارادايغمات التفكير منهجية تدريب قابلة للتكرار مع اختيار البذور تقييم شامل ضد الأساسيات القوية بما في ذلك EDL وBERT وR-GCN ونماذج اللغة الكبيرة التحقق عبر المجالات يوضح قابلية التعميم الواسعة ضمانات رسمية (مقدمة في الورقة المرفقة عليو، 2026)

أعرف ما لا أعلم: نماذج العوامل البانية الكامنة الخلفية للتفكير الاحتمالي متعدد الأدلة

Key Points

Abstract

Cite This Study