开放式事件预测的分散假设生成

尽管开放式事件预测对于风险管理很重要，但当前基于 LLM 的方法主要仅针对最可能的结果，忽略了现实世界事件的内在不确定性。为了弥补这一差距，我们通过引入假设生成的代理任务，将开放式事件预测从精确预测推进到分散预测。这种范式旨在产生一套包容性和多样化的假设，广泛涵盖未来可能发生的事件的空间。为此，我们提出了SCATTER，一个强化学习框架，共同优化假设的包容性和多样性。具体来说，我们设计了一种新颖的混合奖励，它由三个组成部分组成：1）衡量与观察到的事件的语义一致性的有效性奖励，2）鼓励采样响应中的变化的组内多样性奖励，3）促进跨不同模式的探索的组间多样性奖励。通过将有效性门控分数整合到总体目标中，我们将对多样化结果的探索限制在上下文合理的未来，从而防止模式崩溃问题。对两个真实世界基准数据集（即 OpenForecast 和 OpenEP）的实验表明，SCATTER 显着优于强基线。我们的代码可在 https://github.com/Sambac1/SCATTER 获取。