SphUnc: Decomposizione dell'Incertezza Ipsersferica e Identificazione Causale tramite Geometria dell'Informazione
SphUnc, un nuovo framework di machine learning, integra l'apprendimento di rappresentazioni ipsersferiche con la modellazione causale strutturale per migliorare la decomposizione dell'incertezza e l'identificazione causale in sistemi multi-agente. Utilizzando distribuzioni von Mises-Fisher, il modello trasforma le caratteristiche in variabili latenti su una ipsersfera unitaria, separando l'incertezza in componenti epistemiche e aleatoriche tramite fusione geometrico-informazionale. Questo framework impiega un modello causale strutturale su variabili latenti sferiche, facilitando l'identificazione di influenze dirette e consentendo ragionamenti interventivi tramite simulazioni basate su campioni. Test empirici su benchmark sociali e affettivi dimostrano una maggiore accuratezza, una calibrazione superiore e segnali causali interpretabili, gettando le basi geometrico-causali per un ragionamento consapevole dell'incertezza in interazioni di ordine superiore in ambienti multi-agente. L'articolo è stato sottomesso ad arXiv il 3 marzo 2025.
Fatti principali
- SphUnc combina l'apprendimento di rappresentazioni ipsersferiche con la modellazione causale strutturale.
- Il modello utilizza distribuzioni von Mises-Fisher per mappare le caratteristiche in variabili latenti su una ipsersfera unitaria.
- L'incertezza è decomposta in componenti epistemiche e aleatoriche tramite fusione geometrico-informazionale.
- Un modello causale strutturale su variabili latenti sferiche consente l'identificazione di influenze dirette.
- Il ragionamento interventivo viene eseguito tramite simulazione basata su campioni.
- Valutazioni empiriche su benchmark sociali e affettivi mostrano una maggiore accuratezza e calibrazione.
- Il framework è destinato a contesti multi-agente con interazioni di ordine superiore.
- Sottomesso ad arXiv il 3 marzo 2025.
Entità
Istituzioni
- arXiv