arXiv cs.AI· Miaobo Hu, Shuhao Hu, Xiaobo Guo, Xin Wang, Bokun Wang, Peng Zhang, Daren Zha·· 11 小时前AI 评分31
ActiveEvidence：面向决策的可验证证据图与采集缺口
ActiveEvidence: Decision-Focused Evidence Graphs with Verifiable Acquisition Gaps
AI 导读
ActiveEvidence 提出反事实证据交互图（CEIG），在免费元数据/付费观测边界下实现可决策认证的主动证据采集，通过缺口导向细化只评估可能改变行动的交互项，并以 ε-决策证书在容差内停止。
正文 · AI 翻译
摘要：多模态智能体必须判断视觉证据是否值得获取、应查询哪个候选或分辨率，以及何时进一步交互已无法改变其决策。我们在严格的免费元数据/付费观测边界、随机向量成本和冻结执行轨迹下研究这一问题，并将其视为可决策认证的主动证据获取。反事实证据交互图（CEIG）表示一元证据价值、带符号的二阶交互和有向条件危害，同时为未解决的交互维护显式的分数包络；决策加权包络目标收紧可能改变动作身份的边界。间隙导向细化仅评估可能取代当前获取动作的交互，一旦 $\epsilon$-决策证书表明未解决项无法在声明容差之外改变所选动作即停止。该证书是模型相对的：它在固定的学习分数下验证策略一致的最优性，语义质量则通过冻结后标签单独衡量。配对延续 rollout 学习付费预览的下游价值，在线运营成本过滤器与独立的有限策略族轨迹认证相分离，带有独立实现验证器的获取监控器将每份证书绑定到冻结轨迹。在划分为 384/128/128 训练、验证和测试用例的 640 个案例上，控制器达到任务分数 0.842、接地 F1 0.816、证据召回率 0.873、1.74 次接受调用、286.5K 视觉 token 和 742ms p95 延迟。对已签发证书的密集重放显示动作一致率为 0.992、证书率为 0.988，同时每个决策评估 19.6 个而非 191.4 个昂贵的交互项。
| 评论： | 19 页，8 幅图 |
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.20532 [cs.AI] |
| （或此版本的 arXiv:2610.20532v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.20532 由 DataCite 签发的 arXiv DOI |
提交历史
来自：Miaobo Hu [查看邮箱]
[v1]
2026 年 10 月 14 日星期三 17:29:06 UTC（329 KB）
[v2]
2026 年 10 月 16 日星期五 10:18:07 UTC（329 KB）
来源：arXiv cs.AI · arxiv.org