Я знаю, что я не знаю: Латентные факторные модели апостериорного распределения для вероятностного рассуждения с множественными свидетельствами
I Know What I Don't Know: Latent Posterior Factor Models for Multi-Evidence Probabilistic Reasoning
March 13, 2026
Авторы: Aliyu Agboola Alege
cs.AI
Аннотация
Принятие решений в реальных условиях, от оценки налоговой добросовестности до медицинской диагностики, требует агрегирования множества зашумленных и потенциально противоречивых источников свидетельств. Существующие подходы либо не имеют явного количественного оценивания неопределенности (нейросетевые методы агрегирования), либо опираются на ручное проектирование дискретных предикатов (вероятностные логические框架), что ограничивает их масштабируемость на неструктурированные данные.
Мы представляем Latent Posterior Factors (LPF) — framework, преобразующий апостериорные распределения латентного пространства Вариационных Автокодировщиков (VAE) в мягкие likelihood-факторы для вывода в Sum-Product Networks (SPN), обеспечивая разрешимое вероятностное рассуждение над неструктурированными свидетельствами с сохранением калиброванных оценок неопределенности. Мы реализуем LPF как LPF-SPN (структурный вывод на основе факторов) и LPF-Learned (сквозное обученное агрегирование), позволяя проводить принципиальное сравнение между явным вероятностным рассуждением и обученной агрегацией в рамках единого представления неопределенности.
В восьми предметных областях (семь синтетических и бенчмарк FEVER) LPF-SPN демонстрирует высокую точность (до 97.8%), низкую ошибку калибровки (ECE 1.4%) и сильное соответствие вероятностной модели, существенно превосходя evidential deep learning, крупные языковые модели и графовые базовые методы по 15 случайным сидам.
Вклад: (1) Framework, связывающий латентные представления неопределенности со структурным вероятностным выводом. (2) Двойная архитектура, позволяющая контролируемое сравнение парадигм рассуждения. (3) Воспроизводимая методология обучения с выбором сидов. (4) Сравнение с базовыми методами EDL, BERT, R-GCN и крупными языковыми моделями. (5) Кросс-доменная валидация. (6) Формальные гарантии в сопутствующей статье.
English
Real-world decision-making, from tax compliance assessment to medical diagnosis, requires aggregating multiple noisy and potentially contradictory evidence sources. Existing approaches either lack explicit uncertainty quantification (neural aggregation methods) or rely on manually engineered discrete predicates (probabilistic logic frameworks), limiting scalability to unstructured data.
We introduce Latent Posterior Factors (LPF), a framework that transforms Variational Autoencoder (VAE) latent posteriors into soft likelihood factors for Sum-Product Network (SPN) inference, enabling tractable probabilistic reasoning over unstructured evidence while preserving calibrated uncertainty estimates. We instantiate LPF as LPF-SPN (structured factor-based inference) and LPF-Learned (end-to-end learned aggregation), enabling a principled comparison between explicit probabilistic reasoning and learned aggregation under a shared uncertainty representation.
Across eight domains (seven synthetic and the FEVER benchmark), LPF-SPN achieves high accuracy (up to 97.8%), low calibration error (ECE 1.4%), and strong probabilistic fit, substantially outperforming evidential deep learning, LLMs and graph-based baselines over 15 random seeds.
Contributions: (1) A framework bridging latent uncertainty representations with structured probabilistic reasoning. (2) Dual architectures enabling controlled comparison of reasoning paradigms. (3) Reproducible training methodology with seed selection. (4) Evaluation against EDL, BERT, R-GCN, and large language model baselines. (5) Cross-domain validation. (6) Formal guarantees in a companion paper.