要約: 実世界の意思決定は、税務コンプライアンスの評価から医療診断に至るまで、複数のノイズを含み潜在的に矛盾する可能性のある証拠源を統合することを必要とします。既存のアプローチは、明示的な不確実性の定量化を欠く（ニューラル集約法）か、手動で設計された離散述語（確率論的論理フレームワーク）に依存するため、非構造化データへのスケーラビリティを制限します。
Latent Posterior Factors（LPF）を導入します。これは、Variational Autoencoder（VAE）の潜在後方分布を和積ネットワーク（SPN）推論のソフト尤度因子へと変換するフレームワークで、非構造化証拠に対して扱いやすい確率的推論を可能にしつつ、較正された不確実性推定を保持します。LPFを LPF-SPN（構造因子ベースの推論）および LPF-Learned（エンドツーエンドの学習集約）として具体化し、共有された不確実性表現の下で、明示的な確率推論と学習による集約の間の原理的比較を可能にします。
8つの領域（7つは合成データ、FEVERベンチマークを含む）にわたり、LPF-SPNは高い精度（最大97.8％）、低い較正誤差（ECE 1.4％）、および強力な確率的適合を達成し、15個のランダムシードにわたって、エビデンシャル深層学習、LLMsおよびグラフベースのベースラインを大幅に上回ります。
貢献:（1）潜在的不確実性表現と構造化確率推論を結ぶフレームワーク。（2）推論パラダイムの制御された比較を可能にするデュアルアーキテクチャ。（3）シード選択を含む再現可能な訓練手法。（4）EDL、BERT、R-GCN、および大規模言語モデルのベースラインに対する評価。（5）クロスドメイン検証。（6）付随論文における正式な保証。」
自分が知らないことを知っている：複数の証拠に基づく確率推論の潜在事後因子モデル
arXiv cs.AI / 2026/3/18
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、Latent Posterior Factors（LPF）と呼ばれるフレームワークを提案します。LPFは、変分オートエンコーダーの潜在事後分布をソフトな尤度因子へ変換し、校正された不確実性推定を伴う非構造化証拠上での扱いやすい確率推論を実現します。
- LPF-SPN と LPF-Learned の二つのアーキテクチャを提示し、共通の不確実性表現の下で、明示的な確率推論と学習による集約の原理的な比較を可能にします。
- 計8領域（7つの合成データと FEVER ベンチマークを含む）において、LPF-SPNは最大97.8%の精度と低い較正誤差（ECE 1.4%）を達成し、15個の乱数シードを用いた実験全体でエビデンシャル深層学習、LLMs、グラフベースのベースラインを大きく上回りました。
- 本研究は再現性のあるトレーニング手法、ドメイン横断検証、そして関連論文で議論される形式的保証を提供します。
