论文
CHAIN：通过因果时间超图推理校准 LLM 预测
CHAIN: Calibrated LLM Forecasting via Causal-Temporal Hypergraph Inference
摘要
大语言模型在事件预测方面取得了重大进展，但其概率输出表现出系统性校准偏差，该偏差在不同领域和问题类型之间存在异质性，从而破坏了不确定性下决策的概率输出的可信度。然而，现有的校准方法通常在预测完成后校正概率输出，而没有对预测过程本身内的结构性偏差源进行建模。为了应对这一挑战，我们将因果时间超图的概率预测分解为三个阶段：证据加权、证据聚合和源融合，并提出了 CHAIN，它设计了阶段特定的机制来减轻每个阶段的偏差：（i）通过因果拓扑距离调节时间衰减函数，（ii）在方向感知重复数据删除后通过 Noisy-OR 聚合近似独立的因果链，以及（iii）通过因果覆盖驱动自适应融合和方向平衡。跨域预测基准的实验结果表明，CHAIN 在预期校准误差、Brier 分数和准确性方面优于现有方法。我们的项目可在 https://github.com/QwenQKing/Chain. 获取