BELIEF：结构化证据建模与不确定性感知融合用于生物医学问答
计算与语言
2026-05-19 v1
摘要
生物医学问答通常需要从检索到的文献中做出决策，而这些文献的相关性、质量以及对候选答案的支持程度往往不均衡。大多数检索增强型大型语言模型（LLM）方法将这些文献作为平坦文本输入，导致证据可靠性和剩余不确定性难以被显式建模。我们提出了 BELIEF，一个结构化证据建模与不确定性感知融合框架，用于封闭集合生物医学问答。与将检索文档视为无差异上下文不同，BELIEF 将其转换为记录临床属性、来源质量、问题相关性、支持强度以及关联候选假设的证据对象。这些证据对象为两种互补推理路径提供了共享基础。符号路径基于 Dempster--Shafer（D-S）理论构建可靠性加权的基本概率分配，覆盖有限的答案空间，并进行不确定性感知的符号证据融合，以估计信念和剩余不确定性。神经路径使用相同的结构化证据进行 LLM 语义推理，同时通过可靠性感知的仲裁模块根据信念强度、不确定性、证据可靠性和语义一致性来调和符号和神经输出。在 PubMedQA、MedQA 和 MedMCQA 上的实验表明，BELIEF 在 25 个 30 个 backbone--dataset--metric 组合设置中获得最佳结果。与生物医学领域模型的比较表明，BELIEF 在 MedQA 和 MedMCQA 上表现出竞争力，而在 PubMedQA 上，专门的生物医学预训练仍具有优势。消融、互补性、不确定性分层和成本分析进一步表明，BELIEF 通过使证据结构、路径不一致和决策不确定性显式化，提高了检索证据的利用效率。
引用
@article{arxiv.2605.17435,
title = {BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering},
author = {Chang Zong and Hao Ning and Siliang Tang and Jie Huang and Jian Wan},
journal= {arXiv preprint arXiv:2605.17435},
year = {2026}
}
备注
14 pages, 6 figures