🤖 AI

Entropic Claim Resolution: Uncertainty-Driven Evidence Selection for RAG

Dit paper introduceert Entropic Claim Resolution (ECR), een nieuw algoritme voor Retrieval-Augmented Generation dat de bewijsselectie omvormt tot een proces van entropie-minimalisatie om epistemische onzekerheid effectief op te lossen door in plaats van alleen relevantie, de meest discriminerende informatie te selecteren.

Oorspronkelijke auteurs: Davide Di Gioia

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Davide Di Gioia

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een complex misdrijf moet oplossen. Je hebt een enorme berg dossiers (de "data") en een slimme assistent (een AI) die je helpt bij het lezen.

In de oude manier van werken (wat de meeste AI-systemen nu doen), vraagt de detective: "Welke dossiers lijken het meest op wat ik zoek?" De assistent haalt dan de eerste 10 dossiers die het dichtst bij de zoekterm staan.

Het probleem: Stel je zoekt naar "Wie heeft de koekjes gestolen?" en er zijn 10 dossiers die allemaal over "koekjes" gaan. Maar in 9 van die 10 dossiers staat niets over wie het deed, of er staan zelfs tegenstrijdige verhalen in. De assistent leest ze allemaal, raakt in de war, en de detective maakt een gok die misschien wel fout is. Dit noemen de auteurs "epistemische ineenstorting" (de kennis stort in omdat er te veel ruis is).

Deze paper introduceert een nieuwe, slimme methode genaamd Entropic Claim Resolution (ECR). Laten we dit uitleggen met een paar creatieve analogieën.

1. Van "Zoek de meest relevante" naar "Zoek de meest onderscheidende"

Stel je voor dat je een zware, ondoorzichtige doos met een slot hebt. Je wilt weten wat erin zit.

De oude methode: Je pakt 10 willekeurige gereedschappen die er "op het eerste gezicht" op lijken alsof ze bij de doos horen (bijvoorbeeld 10 verschillende sleutels die er hetzelfde uitzien). Je probeert ze allemaal. Niets werkt. Je bent tijd kwijt.
De ECR-methode: De detective vraagt zich niet af: "Welke sleutel lijkt het meest op de sleutelgat?" maar: "Welke actie geeft me het meeste nieuwe informatie?"

In plaats van gewoon te lezen, kiest de AI het één stukje bewijs dat de meeste verwarring wegneemt.

Voorbeeld: Als je twijfelt of de dader links- of rechtshandig is, en je hebt een dossier dat zegt "De dader was links", en een ander dat zegt "De dader was rechts", dan is het dossier dat zegt "De dader was links" niet de beste keuze als je al 10 dossiers hebt die zeggen "rechts".
De ECR-AI kiest het bewijs dat de onzekerheid (de "entropie") het snelst verlaagt. Het kiest het stukje bewijs dat de kans dat het antwoord A is, verkleint en de kans dat het antwoord B is, vergroot (of andersom). Het is alsof je een spelletje "20 vragen" speelt, maar je stelt alleen de vragen die je het snelst naar het juiste antwoord leiden.

2. De "Stop-Stop" Knop (Wanneer stoppen?)

Bij de oude systemen leest de AI vaak tot het einde van het document of tot een vast aantal pagina's, ook al weet hij het antwoord al.

De ECR-methode: De AI heeft een interne "onzekerheids-meter". Zodra de meter laag genoeg is (de onzekerheid is opgelost), stopt de AI direct.
Analogie: Stel je voor dat je een puzzel legt. De oude AI legt 100 stukjes, ook al is het plaatje al duidelijk na 10 stukjes. De ECR-AI legt stukjes totdat het plaatje duidelijk is, en stopt dan. Dit bespaart tijd en energie.

3. Wat als er tegenstrijdige verhalen zijn? (De "Ruzie-detectie")

Dit is misschien wel het coolste deel. Stel je voor dat er in de dossiers twee mensen zijn die elkaar hard tegenstrijden: "Hij deed het!" en "Nee, hij deed het niet!".

De oude AI: Probeerde vaak een gemiddelde te maken of maakte een gok, en deed alsof het allemaal wel goed was.
De ECR-AI: Zegt: "Wacht even. Er is een fundamenteel conflict. Ik kan hier geen zeker antwoord geven zonder dat ik liegt."
In plaats van een fout antwoord te geven, geeft de AI toe: "Ik heb tegenstrijdige bewijzen gevonden. Ik kan het niet oplossen." Dit is veel eerlijker en veiliger, vooral in gebieden zoals de geneeskunde of het recht, waar een fout antwoord gevaarlijk kan zijn.

Samenvatting in het kort

Deze paper zegt eigenlijk: "Stop met het verzamelen van zoveel mogelijk informatie die 'relevant' klinkt. Begin met het verzamelen van de specifieke stukjes bewijs die je helpen om de twijfel weg te nemen."

Het is een overstap van:

"Lees alles wat erop lijkt." (Oude manier)
Naar: "Vind het ene stukje bewijs dat de meeste verwarring wegneemt, en stop zodra je zeker bent." (Nieuwe ECR-methode).

Dit maakt AI-systemen slimmer, sneller (want ze lezen minder), en vooral veiliger, omdat ze eerlijk toegeven als ze het niet weten, in plaats van een fout antwoord te verzinnen.

Titel: Entropic Claim Resolution (ECR): Onzekerheidsgedreven Evidentie-Selectie voor RAG

Auteur: Davide Di Gioia (UCL)
Doel: Het oplossen van epistemische onzekerheid in Retrieval-Augmented Generation (RAG) systemen door de focus te verleggen van semantische relevantie naar discriminatieve informatiewaarde.

1. Het Probleem: Epistemische Ineenstorting

Huidige RAG-systemen vertrouwen voornamelijk op dichte, relevantie-gebaseerde retrieval (zoals MIPS - Maximum Inner Product Search). Ze halen documenten op die semantisch het meest lijken op de query. Hoewel dit werkt voor feitelijke vragen met één duidelijk antwoord, faalt het in complexe, kennisintensieve scenario's:

Conflicterend bewijs: Wanneer bronnen tegenstrijdige informatie bevatten.
Vraag-ambiguïteit: Wanneer de vraag zelf onduidelijk is.
Epistemische ineenstorting (Epistemic Collapse): Systemen halen redundant, semantisch vergelijkbaar bewijs op in plaats van het specifieke, discriminerende bewijs dat nodig is om onzekerheid op te lossen. Dit leidt tot overtuigende maar onjuiste hallucinaties of ongefundeerde antwoorden.

Bestaande geavanceerde methoden (zoals GraphRAG of Agentic frameworks zoals ReAct) missen een wiskundig onderbouwde stopconditie en een objectieve functie om te bepalen welk bewijs als volgende het meest waardevol is om op te halen.

2. Methodologie: Entropic Claim Resolution (ECR)

ECR is een inferentie-tijd algoritme dat het RAG-proces herschrijft als een sequentiële beslissingsprocess gericht op het minimaliseren van entropie (onzekerheid) over een ruimte van mogelijke antwoorden.

Kernconcepten:

Hypothese-ruimte ( $A$ ): In plaats van direct een antwoord te genereren, initieert het systeem een set van onderling uitsluitende mogelijke antwoorden (hypothese).
Atomaire Claims: Het systeem werkt niet met hele documenten, maar met atomaire feitelijke claims ( $c_i$ ) die uit de bronnen zijn gehaald.
Doelfunctie: Verwachte Entropiereductie (EER):
- Het systeem selecteert niet de claim die het meest lijkt op de query, maar de claim die de verwachte entropiereductie maximaliseert.
- Formule: $EER(c) = H(A|X_{eval}) - E[H(A|X_{eval} \cup \{X_c\})]$ .
- Dit betekent: "Welke claim, als we de waarheid ervan verifiëren, zal de kansverdeling over de antwoorden het meest verkleinen of splitsen?"
Stopconditie (Epistemische Volledigheid): Het proces stopt niet op een vast aantal iteraties, maar wanneer de entropie van de hypothese-ruimte onder een drempelwaarde ( $\epsilon$ $ϵ$ ) zakt, mits er geen onoplosbare tegenstrijdigheden zijn.
- Voorwaarde: $H(A | X_{eval}) \leq \epsilon \land \neg Conflict(X_{eval})$ .
Coherentie-bewuste selectie: Een extra term ( $\lambda \cdot ConflictPotential$ ) wordt toegevoegd aan de score om expliciete tegenstrijdigheden (bijv. claim $A$ vs. $\neg A$ ) vroeg op te sporen in plaats van ze te middelen.

Implementatie in CSGR++:

ECR is geïntegreerd in een productie-achtige pipeline genaamd CSGR++ (Context-Seeded Graph Retrieval):

Gebruikt een Entity-Attribute-Value (EAV) opslag voor atomaire claims met metadata (provenance, tijd, structuur).
Combineert vectorretrieval, graf-expansie en claim-matching via Reciprocal Rank Fusion (RRF).
ECR fungeert als een controller tussen de retrieval en de synthese, die dynamisch bepaalt of er meer bewijs nodig is.

3. Belangrijkste Bijdragen

Paradigmaverschuiving: Van "meest relevant" naar "meest discriminerend" bewijs. ECR optimaliseert voor informatiewaarde (Information Gain) in plaats van semantische gelijkenis.
Wiskundig Stoptoets: Een rigoureuze, wiskundig gedefinieerde stopconditie gebaseerd op epistemische volledigheid ( $H \leq \epsilon$ ), wat willekeurige of heuristische stopcondities vervangt.
Fase-overgang bij Contradicties: Het systeem toont een gedragsovergang: bij conflicterend bewijs stopt het niet met het forceren van een antwoord (geen "epistemische ineenstorting"), maar exposeert het de ambiguïteit en weigert het een onzeker antwoord te geven.
Schaalbaarheid: ECR werkt als een snelle, inferentie-tijd algoritme zonder dat er speciale fine-tuning of zware modellen nodig zijn. Het kan worden ingezet op bestaande RAG-pipelines.

4. Resultaten en Evaluatie

De auteurs hebben ECR getest in twee fasen: een gecontroleerde "claims-only" harness en een end-to-end evaluatie.

Gecontroleerde Tests (Claims-only):
- ECR bereikte epistemische volledigheid met slechts 5 claims, terwijl een "retrieval-only" benadering (die 15 claims gebruikte) de entropie niet kon verlagen.
- ECR verlaagde de entropie van ~1.58 bits naar ~0.21 bits, terwijl willekeurige selectie slechts tot ~1.24 bits daalde.
- Dit bewijst dat ECR efficiënter is in het oplossen van onzekerheid dan traditionele methoden.
End-to-End Evaluatie (HotpotQA):
- ECR presteerde vergelijkbaar met een sterke, relevantie-gebaseerde baseline (EM en F1 scores waren bijna gelijk), maar overtrof willekeurige selectie aanzienlijk.
- Robuustheid tegen Ruis: Bij injectie van 40% irrelevante/contradictorische claims degradeerde ECR voorspelbaar zonder de onzekerheid te maskeren of hallucinaties te produceren.
- Contradictie-Test: Bij het injecteren van expliciete tegenstrijdigheden (30-50% van de pool) bleef de baseline RAG pathologisch overtuigd (epistemische ineenstorting). ECR daarentegen stopte met het zoeken naar een oplossing en exposeerde de onoplosbare conflicten (100% "Ambiguity Exposure").

5. Betekenis en Toekomstperspectief

Voor High-Stakes Domeinen: Voor toepassingen in geneeskunde, recht en financiën is het cruciaal om niet te hallucineren. ECR biedt een mechanisme om systemen te laten "toegeven" wanneer het bewijs onvoldoende of tegenstrijdig is, in plaats van een vals zeker antwoord te geven.
Kosten- en Latentiebesparing: Door dynamisch te stoppen zodra de onzekerheid laag genoeg is, worden onnodige retrieval- en generatie-cycli vermeden, wat kosten en latentie verlaagt.
Toekomst: De methode kan worden uitgebreid naar autonome agenten die tools gebruiken of API's aanroepen, waarbij elke actie wordt gemodelleerd als een beslissing om de entropie te minimaliseren.

Conclusie: Entropic Claim Resolution biedt een fundamentele verbetering voor RAG-systemen door onzekerheid expliciet te modelleren en te optimaliseren, waardoor systemen robuuster, interpreteerbaarder en veiliger worden in complexe, real-world scenario's.