我知道我所不知道的：用于多证据概率推理的潜在后验因子模型

现实决策需聚合多重噪声及矛盾证据。现有方法或缺乏显式不确定性量化，或依赖人工离散谓词，难以扩展至非结构化数据。本文提出潜在后验因子（LPF）框架，将变分自编码器的潜在后验转化为软似然因子，用于和积网络推理，在非结构化证据上实现可处理概率推理并保持校准的不确定性估计。实验表明，LPF 在八个领域显著优于证据深度学习、大语言模型及图基线，兼具高准确率与低校准误差。