10:28
官方账号arXiv cs.AI@Zhelun Wu
精选
推荐理由：这篇论文把读证据和汇总决策拆开，用四字段元组和一对数似然比池化解决了投票漂移，实验比手工基线高了不少。
count-scale drift
共 1 条相关 AI 资讯
8月17日
10:28
该论文提出将证据解释与决策聚合分开处理，并定义了一个四字段证据元组（假设、可靠性分桶、理由、来源）。作者指出，直接对未归一化权重求和做阈值会引发“数尺漂移”（count-scale drift），即运行点随证据条数滑动。改用校准后的对数似然比池化可同时解决漂移和排序不一致问题。在纵向语料上，小序列编码器加树集成达到 0.921 AUPRC，而手工基线为 0.805。论文还列出五个可证伪预测和三个阴性结果。