Multi-Path Causal Optimization for claim verification through controlling confounding

doi:10.1016/j.engappai.2026.116117

Multi-Path Causal Optimization for claim verification through controlling confounding

2026-09-01

0

PRE

AI

DOI：10.1016/j.engappai.2026.116117

原文链接

原文求助

摘要

En 中文

作为信息质量控制系统中的一项重要任务，声明验证旨在通过基于多份证据评估声明的真实性来遏制虚假信息。然而，传统方法通常忽略了证据来源之间的复杂交互，导致验证结果不可靠。一种直接的方法是将声明和证据表示为全连接图。然而，基于图的声明验证方法通常面临两大主要混淆挑战：数据噪声和数据偏差。为解决这些问题，我们提出了一种新型方法，命名为多路径因果优化（MuPlon）。MuPlon整合了双重因果干预策略，同时使用后门路径和前门路径。在后门路径中，MuPlon通过优化节点概率权重来抑制噪声节点干扰，同时加强相关证据节点之间的连接。在前门路径中，MuPlon提取高相关子图，构建推理路径，并应用反事实推理以减轻这些路径中的数据偏差。实验结果表明，MuPlon在本地部署设置下保持实用性的同时，相较于现有的声明验证方法实现了竞争性和稳健的性能。这些发现突显了因果图推理在现实世界数据质量控制系统和工程信息验证应用中的潜力。

Multi-Path Causal Optimization for claim verification through controlling confounding

摘要

期刊

机构