ANCHOR：面向大语言模型可靠概率推断的具备归因能力的层次化网络构建
计算与语言
2026-05-13 v2
摘要
在信息不完整的大规模决策场景中，估计可靠概率是一个核心挑战。最近的研究方法是利用大语言模型（LLM）生成解释性因子和粗糙的概率估计，然后通过朴素贝叶斯模型对因子组合进行细化。然而，稀疏的因子空间常导致 ``unknown'' 预测，而扩充因子又会引入噪声和伪相关，削弱条件独立性并降低可靠性。为此，我们提出了 \textsc{Anchor}，一个构建稠密因子层次空间的聚合贝叶斯推理框架。它通过迭代生成与聚类构建稠密因子层次，利用层次检索与细化映射语境，并将朴素贝叶斯模型与因果贝叶斯网络相结合以建模潜在因子依赖。实验表明，\textsc{Anchor} 显著降低了 ``unknown'' 预测，生成的概率估计比直接 LLM 基线更可靠，实现了在显著降低时间和 token 开销的同时达到最新性能。
引用
@article{arxiv.2605.10328,
title = {ANCHOR: Abductive Network Construction with Hierarchical Orchestration for Reliable Probability Inference in Large Language Models},
author = {Wentao Qiu and Guanran Luo and Zhongquan Jian and Jingqi Gao and Meihong Wang and Qingqiang Wu},
journal= {arXiv preprint arXiv:2605.10328},
year = {2026}
}
备注
Accepted by ICML 2026