LPF: Theoretische Basis für vertrauenswürdige Mehrbeweis-Analyse

Eine neue Veröffentlichung auf arXiv legt die theoretische Grundlage für Latent Posterior Factors (LPF) dar – ein robustes Verfahren, um mehrere, heterogene Beweismittel in probabilistischen Vorhersagen zu kombinieren. Das Konzept ist besonders relevant für hochriskante Bereiche wie Medizin, Finanzen, Recht und Regulierung, wo Entscheidungen auf einer Vielzahl von Datenquellen beruhen.

LPF wandelt jedes Beweismittel mithilfe eines variationalen Autoencoders in eine Gaußsche latente Posterior um. Anschließend werden diese Posterioren durch Monte‑Carlo‑Marginalisierung in weiche Faktoren überführt, die anschließend entweder exakt mit einer Sum‑Product‑Network‑Inference (LPF‑SPN) oder über einen lernenden neuronalen Aggregator (LPF‑Learned) zusammengeführt werden. Dieser Ansatz ermöglicht eine klare Trennung von epistemischer und aleatorischer Unsicherheit.

Die Autoren präsentieren sieben formale Garantien, die die Vertrauenswürdigkeit von LPF untermauern: die Kalibrierung bleibt innerhalb eines Fehlers von ε plus C/√K_eff; Monte‑Carlo‑Fehler fallen mit O(1/√M); ein nicht‑vakuöser PAC‑Bayes‑Grenzwert mit einem Trainings‑Test‑Gap von 0,0085 bei 4 200 Beispielen; die Leistung liegt innerhalb von 1,12‑fach des informationstheoretischen Minimums; bei Datenkorruption degradiert die Genauigkeit nur um O(ε·δ·√K) und behält 88 % der Leistung, selbst wenn die Hälfte der Beweise manipuliert ist; die Kalibrierung verfällt mit O(1/√K) bei R²=0,849; und die Unsicherheitszerlegung erreicht einen Fehler von unter 0,002 %.

Alle Theoreme wurden auf kontrollierten Datensätzen mit bis zu 4 200 Trainingsbeispielen experimentell bestätigt. Diese Ergebnisse legen LPF als solide Basis für vertrauenswürdige Mehrbeweis‑Analyse in kritischen Anwendungsfeldern fest und eröffnen neue Möglichkeiten für die Entwicklung von KI-Systemen, die sowohl leistungsfähig als auch nachvollziehbar sind.