EviTrack：针对延迟消歧的选择而非抽样策略

在延迟消歧情景中，早期观察模糊不清，多个潜在解释在获得充分证据前保持合理性。基于边际推断的标准方法在此情境下表现不佳，要么过早坍缩不确定性，要么在信息到达后难以恢复。我们引入EviTrack，一种在潜在轨迹而非边际状态上 operate 的测试时序推理框架。EviTrack维持一组竞争性轨迹假设，通过证据和似然比进行选择，以延迟承诺直至数据支持。其灵感来自多假设跟踪(MHT)和track-before-detect中的假设管理。为评估此情境，我们构建了一个带有已知潜在真实值的受控合成基准，显式呈现延迟消歧。我们在匹配推理预算下，EviTrack显著优于基于抽样的基线方法，实现更快的消歧后恢复速度。这些结果表明，在延迟消歧情境下，适度的轨迹级选择比增加抽样覆盖更有效，突显选择优于抽样是可靠顺序推理的关键原则。