AI Papers Daily

#Evidence Synthesis

2 篇

Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data

多方法因果证据合成：从观察数据中按交叉方法收敛证据排序候选驱动因素

🧭 因果证据合成 · 多方法融合

Tricon Infotech

提出MCES框架，融合11种方法、8类数学传统，用收敛证据分数对候选驱动因素排序，避免单一方法误判。

📌 工作参考价值（4 点）

• 在归因/特征筛选场景代替单一SHAP或回归：对同一面板数据（用户×时间×实验外）跑多个因果/相关方法（Granger、回归、IV等），输出归一化后线性意见池，优先看多方法共同指向的 driver-outcome 对；可降低单方法假设失配带来的假阳性。
• 先用 Structural-Behavioral Decomposition 删除定义性/代数关系：例如 CTR=点击/曝光、GMV=单价×单量这种恒等特征若作为候选 driver，会天然高分；先识别并移除这类 tautological pairs。
• 将 CES 作为假设生成工具而非因果结论：用于实验前排序候选干预点，不用它替代 AB 测试；可结合业务已有实验/反事实做 scenario-specific calibration，限制外推。
• 工程化：方法池可并行执行，输出统一 [0,1] 归一化，成本可控；建议保存方法级别证据矩阵，便于审计和 case 复盘。

Other | 2026-08-20 | cs.AI | score 6/10

Causal InferenceEvidence SynthesisEnsembleObservational DataHypothesis Prioritization

DeepWeaver: Bridging the Evidence Synthesis Gap in Open-Ended Question Answering

DeepWeaver：弥合开放问答中的证据合成鸿沟

🧭 RAG 证据合成 · Thought Block Chain ★ 深度解读

Tsinghua University

用 Thought Block Chain 将噪声证据编织成细粒度、带引用的声明，显著提升开放 QA 的证据利用率与引用质量

📌 工作参考价值（4 点）

• 借鉴 TBC 作为生成前中间表示：在电商/推荐场景中，当需要基于大量候选商品、用户评论、内容文档生成推荐理由或商品综述时，可以先用 LLM 抽取结构化的「claim + keywords + salient info + evidence」块，把长上下文压缩为可管理的块链，再逐块生成最终文案，避免直接给 LLM 全量候选导致的信息丢失。
• 迭代式证据补全机制：DeepWeaver 的 subordinate + commit 流程（识别未覆盖证据 → 生成子 TBC → merge/discard）可以直接迁移到商品推荐理由生成或搜索 answer 合成中：先让模型生成初稿，再找出被忽略的用户痛点或商品卖点，补充后合并去重，能大幅提升内容覆盖率和细节保留度。
• 随机采样证据分轮处理：在广告文案、推荐理由等需要引用大量候选的场景，不必一次把所有商品/文档塞进 context，可按轮随机采样子集构造 TBC，多轮后覆盖全量证据，既能降低单次 context 压力，又能保持最终输出的全面性。
• 可解释性与引用对齐：通过把每个 claim 显式链接到证据片段（商品属性、评论、文档段落），可以方便地做归因和后续验证，适合需要高可信度的搜索推荐答案生成，也方便在线上做引用溯源和质量审核。

RAG | 2026-08-19 | cs.CL | score 8/10

Evidence SynthesisThought Block ChainRAGLong-Context QACitation GroundingDeep Research