AI Papers Daily

#attribution

4 篇

Every Edge Needs a Quote: Building a Quote-Grounded Knowledge Graph of Healthcare Software Adoption with Language-Model Agents

每条边都要有引文：用语言模型代理构建医疗软件采用情况的引文支撑知识图谱

🧭 LLM Agent 构建引文支撑知识图谱

Medical Physics Unit, Department of Oncology, McGill University · Toboggan Labs

构建每边必有逐字引文的知识图谱流程，以确定性爬取、预算化ReAct agent、分层grounding和多模型投票达到0.94精度/0.71召回

📌 工作参考价值（4 点）

• 在商品/品牌关系抽取中，强制每条三元组都有源页面逐字引文，并用字符串匹配定位证据，可大幅提高 KG 可追溯性和线上信任度，适合电商商品知识补全、竞品客户案例采集。
• 借鉴其分层 grounding：先用宽松抽取器高召回，再用 referent step 读整页解决“只提到一侧”的指代问题，叠加确定性规则过滤明显错误，最后用多模型投票九准则裁决，可复用到商品属性、合作品牌、集成关系等抽取任务。
• 使用预算化 ReAct agent 搜索全网，配合确定性爬取厂商官网，在成本可控的前提下扩大证据覆盖，可用于监控竞品动态、构建行业采用图谱或生成可引用证据的推荐理由。
• 用投票生成的置信度分数替代固定规则，在相同精度下保留更多正确关系，并缓解长上下文退化与 run-to-run 方差；工程上可将长文档拆成有界窄模型调用，用字符串匹配证据做锚定。

Agent | 2026-10-23 | cs.IR | score 6/10

knowledge graphLLM agentsinformation extractionattributiongroundingLLM-as-a-judge

Scaling Inherently Interpretable Language Models

缩放内建可解释性语言模型

🧭 可解释性内置训练的 LLM 缩放

Guide Labs

将可解释性作为训练约束与语言建模联合优化，实现与规模同步提升的内建可解释性

📌 工作参考价值（4 点）

• 在推荐模型训练中加入概念瓶颈层，强制用户/物品表示与预定义业务概念（类目、品牌、意图）对齐，实现原生可解释的 embedding，用于召回或排序解释。
• 利用归因与训练数据溯源能力，快速诊断推荐结果：定位影响当前推荐的用户历史行为或训练样本，通过移除/增强对应概念快速调试策略，无需重新训练。
• 扩散语言模型 + 概念转向的思路可迁移至生成式推荐（如语义 ID 生成），在生成物品序列时直接通过概念向量控制推荐属性（多样性、新品偏好等）。
• 可解释性随规模改善的缩放律意味着，在大规模推荐模型（如多模态 Transformer）中实验此类训练约束风险更低，可放心追求能力与可解释性双赢。

LLM | 2026-08-05 | HF Daily | score 7/10

inherent interpretabilityconcept bottleneckdiffusion LMscaling lawsSteerling-8Battribution

Error Certificates for KV-Cache Eviction via Randomized Design

基于随机设计的 KV 缓存驱逐误差证书

🧭 随机化 KV cache 驱逐实现误差归因

Technical University of Munich

随机化 KV 缓存驱逐使系统能给出每步注意力误差的置信区间，用于归因缓存导致的失败

📌 工作参考价值（4 点）

• 在电商搜索/推荐/Agent 长上下文推理中，采用随机化逐出（如 Poisson 采样尾部 token）并计算误差证书，可在线检测 KV cache 压缩是否导致注意力偏差，触发全量重算或回退逻辑。
• 证书虽然预测失败的能力弱于输出 log-probability，但归因能力（AUC 0.73–0.75 vs. 0.47–0.54）可用于调度资源：仅对证书超阈值的高风险请求重新分配计算，避免浪费。
• 确定性 top-k 驱逐无法自我诊断（Theorem 1），因此生产系统中不应依赖保留状态计算的自检指标；改用随机化设计是从根本上获得可观测性。
• 工程实现上，可沿用论文的 Hájek 校正（单 logit 偏移）和调查抽样方差估计，无需大幅改动模型推理管线，即可获得每步无偏误差估计和 0.97 经验覆盖率。

LLM | 2026-07-23 | cs.LG | score 7/10

KV-cache evictionrandomized designerror certificateattributionsurvey samplinginference

From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web

从提示到购买：AI品牌推荐如何驱动消费者在开放网络上的行为

🧭 测量和归因 ★ 深度解读

Scrunch AI

会话助手推荐品牌后，用户同名搜索量上升+4.3pp，访问品牌自身站点+2.4pp，品牌特定零售商页面访问量+1.0pp。

📌 工作参考价值（4 点）

• 非归因曝光的增量测量：大多数助手推荐不留 referrer，可借鉴本文的 opt-in 点击流-对话面板方法，将曝光与下游行为关联，利用事件研究和向后安慰剂窗口计算真实增量，适合电商评估生成式推荐或客服机器人的隐形影响力。
• 区分推荐与提及的业务价值：业务中助手提及品牌可能是用户已有行为导致（如“我的 Netflix 下载”），这种提及基本没有增量。可通过姿态分类器和预趋势排除，聚焦真正推荐动作，优化推荐策略时避免高估无效曝光的价值。
• 搜索中介效应与归因修正：AI 推荐主要经“搜索”中介流向官网和零售商，而非直接点击链出。业务中需要将模型推荐-搜索-访问的链条纳入多触点归因，否则会误归因给搜索和直接渠道。
• 品类异质性与独立表面分析：不同品类下游路径差异大（如美妆流向零售商，服饰下游较弱），应分品类测量；助手之间的效果差距主要由用户群构成决定，而非界面本身，因此测量助手价值时需控制用户自我选择偏移，不可直接对比原始指标。

RecSys | 2026-06-09 | cs.IR | score 10/10

conversational AIbrand exposureweb measurementattributionincrementalityconsumer journey