우리는 입력마다 전문가 신뢰도가 달라지는, 노이즈가 있고 충돌이 잦은 환경에서 여러 블랙박스 전문가의 의견을 집계하는 문제를 연구한다. 다수결 투표와 같은 정적 집계 방법은 이러한 가변성을 포착하지 못하며, 의견이 불일치할 때 종종 신뢰할 수 없는 결과를 낳는다. 우리는 문맥별 신뢰도 추정을 사용해 전문가 응답을 동적으로 결합하는, 다루기 쉬운 확률적 회로(probabilistic circuit) 기반 융합 프레임워크를 제안하여 원칙적이고 신뢰 가능한 추론을 가능하게 한다. 이 프레임워크는 하위 전문가의 종류에 구애받지 않으며, 내부 표현에 대한 접근이나 재학습을 요구하지 않는다. 우리는 여러 대규모 언어 모델(LLM)을 전문가로 사용하는 객관식 질의응답 과제에서 접근법을 실증적으로 검증하고, 개별 모델 및 정적 앙상블 베이스라인과 비교한다. 우리 방법은 예측 성능을 일관되게 향상시키고 충돌 상황에서 더 신뢰할 수 있는 결정을 내리며, 견고한 다중 전문가 융합을 위한 문맥 인식 신뢰도 모델링의 효과를 보여준다.
확률 회로(Probabilistic Circuit, PC)는 복잡한 결합 분포를 모델링하면서 다양한 추론 질의에 대한 정확하고 효율적인 계산을 지원할 수 있다. 그러나 표준 가능도 기반 PC 학습은 데이터 노이즈, 소규모 샘플 크기, 또는 분포 변화에 직면할 때 과적합에 취약하고 일반화가 불안정하다. 이는 경험적 분포의 Wasserstein 볼 내 최악의 분포를 고려하는 분포적 강건 최적화(distributionally-robust optimization)를 통해 완화될 수 있으나, 현재 방법들은 이 프레임워크에서 처음부터 모델을 학습하는 방식으로 제한된다. 이에 우리는 PeTeR를 제안한다: 처음부터 재학습하지 않고도 사전 학습된 PC를 분포 변화에 대해 강건화하도록 설계된 새로운 데이터 불필요 사후 학습 프레임워크이다. 여러 밀도 추정 벤치마크에 걸친 실험적 평가는 PeTeR가 무작위 및 적대적 섭동 모두에 대해 기준선 모델들을 효과적으로 강건화하며, 데이터 의존적 강건 학습 기준선들과 동등하거나 우월한 성능을 달성함을 입증한다.
멀티모달 융합은 맥락에 따라 서로 충돌할 수 있는 여러 소스의 정보를 통합해야 한다. 기존 융합 접근법은 일반적으로 소스 신뢰성에 대한 정적 가정에 의존하여, 센서 성능 저하나 클래스별 오염(class-specific corruption)과 같은 상황적 요인으로 인해 어떤 모달리티가 신뢰할 수 없게 될 때 충돌을 해결하는 능력이 제한된다. 본 논문은 조건부 확률 회로(Conditional Probabilistic Circuit, CPC)를 사용하여 인스턴스별 소스 신뢰성을 모델링하는 맥락 특화 신뢰도 인식 멀티모달 융합 프레임워크인 C$^2$MF를 제안한다. 인스턴스 수준 신뢰성을 맥락 특화 정보 신뢰도(Context-Specific Information Credibility, CSIC)로 형식화하며, CSIC는 CPC로부터 정확히 계산되는 KL 발산(KL-divergence) 기반 척도이다. CSIC는 기존의 정적 신뢰도 추정을 특수한 경우로 일반화하여 원칙적이고 적응적인 신뢰성 평가를 가능하게 한다. 교차 모달 충돌 하에서의 견고성을 평가하기 위해, 클래스별 오염이 의도적으로 서로 다른 모달리티 간 불일치를 유발하는 Conflict 벤치마크를 제안한다. 실험 결과, C$^2$MF는 고노이즈 설정에서 정적 신뢰성 기준선 대비 예측 정확도를 최대 29%까지 향상시키며, 확률 회로 기반 융합의 해석 가능성 이점을 유지함을 보여준다.