MuPlon：通过控制混杂因素实现主张验证的多路径因果优化
机器学习
2025-10-01 v1 计算与语言
统计方法学
摘要
作为数据质量控制中的关键任务，主张验证旨在通过广泛的证据评估主张的真实性，以遏制虚假信息的传播。然而，传统方法往往忽视证据之间的复杂交互，导致验证结果不可靠。一种直观的解决方案将主张和证据表示为完全连接的图，我们定义为主张-证据图（Claim-Evidence Graph, C-E Graph）。然而，基于完全连接图的主张验证方法面临两个主要混杂挑战：数据噪声和数据偏差。为此，我们提出一种新框架，多路径因果优化（Multi-Path Causal Optimization, MuPlon）。MuPlon集成了双重因果干预策略，包括背门路径和前门路径。在背门路径中,MuPlon通过优化节点概率权重来稀释噪声节点干扰，同时加强相关证据节点之间的连接。在前门路径中,MuPlon提取高度相关的子图并构建推理路径，进一步应用反事实推理以消除这些路径中的数据偏差。实验结果表明，MuPlon超越现有方法，实现了最先进的性能。
引用
@article{arxiv.2509.25715,
title = {MuPlon: Multi-Path Causal Optimization for Claim Verification through Controlling Confounding},
author = {Hanghui Guo and Shimin Di and Pasquale De Meo and Zhangze Chen and Jia Zhu},
journal= {arXiv preprint arXiv:2509.25715},
year = {2025}
}
备注
8 pages