Resumen: Presentamos los factores posteriores latentes (LPF), un marco que transforma los posteriores latentes del codificador automático variacional (VAE) en factores de probabilidad suaves para la inferencia de la red de suma-producto (SPN), lo que permite un razonamiento probabilístico manejable sobre evidencia no estructurada y al mismo tiempo preserva las estimaciones de incertidumbre calibradas. Instanciamos LPF como LPF-SPN (inferencia estructurada basada en factores) y LPF-Learned (agregación aprendida de un extremo a otro), lo que permite una comparación de principios entre el razonamiento probabilístico explícito y la agregación aprendida bajo una representación de incertidumbre compartida.
En ocho dominios (siete sintéticos y el punto de referencia FEVER), LPF-SPN logra una alta precisión (hasta 97,8%), un error de calibración bajo (ECE 1,4%) y un fuerte ajuste probabilístico, superando sustancialmente el aprendizaje profundo probatorio, los LLM y las líneas de base basadas en gráficos en más de 15 semillas aleatorias.
Contribuciones: (1) Un marco que une las representaciones de incertidumbre latente con el razonamiento probabilístico estructurado. (2) Arquitecturas duales que permiten la comparación controlada de paradigmas de razonamiento. (3) Metodología de entrenamiento reproducible con selección de semillas. (4) Evaluación contra EDL, BERT, R-GCN y líneas base de modelos de lenguajes grandes. (5) Validación entre dominios. (6) Garantías formales en documento complementario.
Publicado originalmente en export.arxiv.org el 17 de marzo de 2026.
Ver fuente original
