Neue Methode vereint VAE und SPN für präzises probabilistisches Schließen

In der heutigen Welt, in der Entscheidungen von der Steuerprüfung bis zur medizinischen Diagnose bis hin zu komplexen, widersprüchlichen Datenquellen abhängen, fehlt es vielen Ansätzen an einer klaren Quantifizierung von Unsicherheit. Die neu vorgestellte Technik namens Latent Posterior Factors (LPF) füllt diese Lücke, indem sie die latenten Posterioren eines Variational Autoencoders (VAE) in weiche Wahrscheinlichkeitsfaktoren umwandelt, die anschließend in Sum-Product Networks (SPN) integriert werden.

Durch diese Kombination entsteht ein Framework, das probabilistisches Schließen über unstrukturierte Evidenz ermöglicht, ohne dabei die Genauigkeit der Unsicherheitsabschätzungen zu verlieren. LPF wird in zwei Varianten realisiert: LPF‑SPN nutzt strukturierte Faktoren für die Inferenz, während LPF‑Learned ein end‑to‑end lernbares Aggregationsmodell darstellt. So können Forscher die Vor- und Nachteile von expliziter probabilistischer Logik gegenüber rein lernbasierten Ansätzen unter einer einheitlichen Unsicherheitsdarstellung vergleichen.

In umfangreichen Tests über acht Domänen – sieben synthetische Szenarien und das reale FEVER‑Benchmark – erzielt LPF‑SPN beeindruckende Resultate: eine Genauigkeit von bis zu 97,8 % und einen extrem niedrigen Calibration‑Error (ECE 1,4 %). Diese Leistungen übertreffen deutlich etablierte Methoden wie evidential deep learning, große Sprachmodelle und graphbasierte Ansätze, und das über 15 unabhängige Seed‑Runs hinweg.

Die Arbeit liefert vier zentrale Beiträge: (1) ein Brückenmodell zwischen latenter Unsicherheit und strukturiertem probabilistischem Denken, (2) zwei vergleichbare Architekturen für kontrollierte Experimente, (3) eine reproduzierbare Trainings‑ und Seed‑Auswahl und (4) eine umfassende Evaluation gegen EDL, BERT, R‑GCN und moderne Sprachmodelle.