融合岭回归与RAG增强大语言模型的风险预警预测–解释功能对称协作框架

《Symmetry》:A Symmetric Prediction–Explanation Framework for Explainable Risk Warning: Integrating Large Language Models as an Interpretive Layer with Ridge Regression

【字体: 大 中 小 】 时间:2026年09月27日 来源:Symmetry 2.2

编辑推荐:

   从功能对称设计的视角出发,本研究在风险预警领域构建了"预测"与"解释"之间的功能互补框架。为解决预测结果与决策需求之间的语义鸿沟,本研究提出了一种对称的预测–解释协作框架。在该框架中,岭回归作为预测核心,引入由检索增强生成(RAG)技术增强的生成式预训练大语言模型(LLM)作

  从功能对称设计的视角出发,本研究在风险预警领域构建了"预测"与"解释"之间的功能互补框架。为解决预测结果与决策需求之间的语义鸿沟,本研究提出了一种对称的预测–解释协作框架。在该框架中,岭回归作为预测核心,引入由检索增强生成(RAG)技术增强的生成式预训练大语言模型(LLM)作为事后解释层。通过动态检索领域知识库,该框架能够生成准确且可信的风险预警语义报告。岭回归与五个基准模型——普通最小二乘法(OLS)回归、最小绝对收缩和选择算子(LASSO)、弹性网络、随机森林以及线性支持向量回归(SVR)——进行了比较。嵌套留一交叉验证(LOOCV)结果显示,MAE = 0.067,RMSE = 0.082,R2 = 0.836,MAPE = 12.9%,SMAPE = 12.4%,Spearman相关系数为0.892。岭回归显著优于OLS和LASSO(p < 0.05),但与线性SVR、随机森林等其他模型的差异未达统计显著性。在小样本条件下,岭回归的核心价值在于其线性可解释性,而非预测精度上的边际优势。RAG增强的LLM成功将模型输出的安全评估分数转化为包含风险态势概述、关键风险因素分析和初步行动建议的专业报告。ROUGE自动评估表明,在RAG条件下,ROUGE-1、ROUGE-2和ROUGE-L的F1分数分别为0.695、0.442和0.523,相较于无RAG条件分别提升了34.4%、68.1%和68.2%。专家评估进一步证实,RAG条件下报告的总体得分为0.84,而无RAG条件下仅为0.72,验证了RAG在抑制幻觉和提高事实准确性方面的关键作用。通过岭回归与LLM的功能协同,本研究实现了风险预警中"预测"与"解释"之间的信息一致性,为在高风险领域部署可信的AI决策支持系统提供了一条可行路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号