論文の概要: ANCHOR: Abductive Network Construction with Hierarchical Orchestration for Reliable Probability Inference in Large Language Models

• arxiv url: http://arxiv.org/abs/2605.10328v1
• Date: Mon, 11 May 2026 10:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.73131
• Title: ANCHOR: Abductive Network Construction with Hierarchical Orchestration for Reliable Probability Inference in Large Language Models
• Title（参考訳）: ANCHOR:大規模言語モデルにおける信頼確率推定のための階層的オーケストレーションによる帰納的ネットワーク構築
• Authors: Wentao Qiu, Guanran Luo, Zhongquan Jian, Jingqi Gao, Meihong Wang, Qingqiang Wu,
• Abstract要約: 階層的に構造化された因子空間上のベイズ推定をオーケストレーションする推論フレームワークであるtextscAnchorを提案する。 実験により、textscAnchorは未知の予測を著しく削減し、より信頼性の高い確率推定を生成することが示された。
• 参考スコア（独自算出の注目度）: 12.270124615626543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A central challenge in large-scale decision-making under incomplete information is estimating reliable probabilities. Recent approaches leverage Large Language Models (LLMs) to generate explanatory factors and elicit coarse-grained probability estimates. Typically, an LLM performs forward abduction to propose factors, each paired with two mutually exclusive attributes, and a Naïve Bayes model is trained over factor combinations to refine the final probabilities. However, sparse factor spaces often yield ``unknown'' outcomes, while expanding factors increases noise and spurious correlations, weakening conditional independence and degrading reliability. To address these limitations, we propose \textsc{Anchor}, an inference framework that orchestrates aggregated Bayesian inference over a hierarchically structured factor space. \textsc{Anchor} first constructs a dense and organized factor space via iterative generation and hierarchical clustering. It then performs context-aware mapping through hierarchical retrieval and refinement, substantially reducing ``unknown'' predictions. Finally, \textsc{Anchor} augments Naïve Bayes with a Causal Bayesian Network to capture latent dependencies among factors, relaxing the strict independence assumption. Experiments show that \textsc{Anchor} markedly reduces ``unknown'' predictions and produces more reliable probability estimates than direct LLM baselines, achieving state-of-the-art performance while significantly reducing time and token overhead.
• Abstract（参考訳）: 不完全な情報の下での大規模意思決定における中心的な課題は、信頼性の高い確率を推定することである。 近年のアプローチでは,Large Language Models (LLMs) を用いて説明因子を生成し,大まかな確率推定を行う。 通常、LLMは2つの排他的属性をペアに持つ因子の提案のために前方退行を行い、ナイーブ・ベイズモデルが因子の組み合わせによって訓練され、最終的な確率が洗練される。 しかし、スパース因子空間はしばしば「未知」の結果をもたらすが、拡大因子はノイズと刺激的な相関を増大させ、条件の独立性を弱め、信頼性を低下させる。 これらの制限に対処するために、階層的に構造化された因子空間上のベイズ推論をまとめる推論フレームワークである「textsc{Anchor}」を提案する。 textsc{Anchor} は、まず反復生成と階層的クラスタリングを通じて、密で組織化された因子空間を構築する。 その後、階層的な検索と改良を通じてコンテキスト認識マッピングを行い、‘未知’の予測を大幅に削減する。 最後に、‘textsc{Anchor} は、因果ベイズを因果ベイズネットワークで強化し、要因間の潜伏した依存関係を捕捉し、厳密な独立の前提を緩和する。 実験によると、‘textsc{Anchor} は ``unknown' の予測を著しく削減し、直接 LLM ベースラインよりも信頼性の高い確率推定値を生成し、最先端のパフォーマンスを実現し、時間とトークンのオーバーヘッドを著しく低減する。

関連論文リスト

• Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints [45.88028371034407]
  我々は、よく知られたSPO+アプローチに基づいて、SPO+のサロゲート損失に対する不均一性境界を開発する。 強く凸可能な領域の場合、安定性によりよりシャープな境界が導出される。 我々は多面体および強凸問題に対するFedAvg型DFFL実験セットを実装した。
  論文  参考訳（メタデータ） (2026-04-21T22:22:39Z)
• LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction [4.655574344274635]
  本稿では,大規模言語モデルと統計的因果探索を融合した拡張因果推論フレームワークを提案する。 提案手法は,予測精度とロバスト性の両方において,最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-03-12T02:14:16Z)
• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Breaking the Factorization Barrier in Diffusion Language Models [59.946071582340146]
  ベクトル化障壁」は拡散言語モデルの効率的な並列生成を妨げる。 完全分解出力分布を置き換えるための結合離散拡散法を提案する。 我々は, CoDD が多種多様な言語モデルアーキテクチャをシームレスに拡張し, オーバーヘッドを無視できることを示した。
  論文  参考訳（メタデータ） (2026-02-09T08:36:39Z)
• DEPTH: Hallucination-Free Relation Extraction via Dependency-Aware Sentence Simplification and Two-tiered Hierarchical Refinement [22.164114662885652]
  DEPTHは、関係抽出パイプラインに依存性を意識したsEntence simPlificationと2階層階層改良を統合するフレームワークである。 以上の結果から,DEPTHは平均幻覚率を7.0%まで下げる一方で,最先端のベースラインよりも平均F1スコアを17.2%向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-20T03:35:24Z)
• Beyond Exponential Decay: Rethinking Error Accumulation in Large Language Models [0.0]
  エラーは均一に分散されていないが、重要な決定ジャンクションを表すスパースな"キートークン"に集中していることを示す。 本稿では,意味的に重要なトークンを選択的に保存することを目的とした次世代システムのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:57:31Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
  本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。 本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
  論文  参考訳（メタデータ） (2022-10-13T20:46:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。