HawkesLLM：Agentic 文本仿真中的语义不确定性传播
计算与语言
2026-05-25 v1 机器学习
摘要
Agentic 文本仿真系统按顺序编写，每个项目都成为后续步骤可能的上下文。这使得不确定性具有路径依赖性：早期的歧义可能影响后续输出。本文提出了 HawkesLLM 框架，将时间影响建模与文本生成分离。我们将级联表示为一个网络，其中节点的每个都是文本生成智能体。多变量 Hawkes 过程模型这些节点随时间的激活方式，以及哪些早期节点输出应影响后续提示。语言模型然后从该时间模型选择的紧凑记忆中为每个新事件编写。我们在 Global Database of Events, Language, and Tone（GDELT）新闻级联案例研究中对该框架进行评估。诊断工具跟踪与局部 held-out 参考的语义对齐情况，并分离局部漂移与全局漂移。在该环境中，HawkesLLM 在紧凑提示记忆预算下，提高了后期阶段的语义对齐。
引用
@article{arxiv.2605.23043,
title = {HawkesLLM: Semantic Uncertainty Propagation in Agentic Text Simulation},
author = {Zewei Deng and Tinghan Ye and Liyan Xie},
journal= {arXiv preprint arXiv:2605.23043},
year = {2026}
}
备注
10 pages, 4 figures, Accepted at the ICML 2026 Workshop on Statistical Frameworks for Uncertainty in Agentic Systems