Resumo Técnico: Correção Baseada em Raciocínio entre Fontes para Desambiguação de Nomes de Autores (CrossND)

1. Definição do Problema

A Desambiguação de Nomes de Autores (AND) é um desafio fundamental em sistemas de busca acadêmica, visando distinguir entre diferentes indivíduos que compartilham o mesmo nome. Embora as abordagens existentes foquem primariamente em desambiguação "Do Zero" (agrupamento de artigos por nome) ou correção em tempo real dentro de uma única fonte de dados, elas sofrem de duas limitações críticas:

1. Erros Cumulativos: Algoritmos imperfeitos levam ao acúmulo inevitável de erros nas atribuições de artigo-autor.
2. Inconsistência de Fontes: Diferentes bases de dados acadêmicas (ex: AMiner, MAG, Google Scholar) frequentemente contêm atribuições artigo-autor inconsistentes. Os métodos atuais tipicamente ignoram essas discrepâncias entre fontes ou dependem de anotação especializada de alto custo para retificá-las.

O artigo propõe um novo paradigma: Correção entre Fontes (Cross-Source Correction). Em vez de tratar dados externos como verdade fundamental (ground truth), o objetivo é aproveitar as inconsistências entre uma fonte interna ($G_{in}$) e uma fonte externa ($G_{out}$) para identificar e corrigir atribuições errôneas de artigo-autor sem intervenção humana.

2. Metodologia: O Framework CrossND

Os autores propõem o CrossND, um framework completo (full-stack) projetado para lidar com rótulos ruidosos e aproveitar o raciocínio entre fontes. O framework consiste em três estágios sequenciais:

Estágio 1: Pipeline de Cadeia de Refinamento (Chain-of-Refinement)

Para mitigar o ruído de rótulos antes do treinamento, os autores empregam um pipeline de três etapas usando Grandes Modelos de Linguagem (LLMs):

1. Limpeza de Perfil: Um LLM analisa o perfil original de um autor (uma lista de artigos) para identificar e remover artigos anômalos que não se alinham com a identidade de pesquisa do autor, construindo um "núcleo central" (coreset) de artigos de alta confiança.
2. Predição de Atribuição: Usando os perfis limpos de ambas as fontes internas e externas, o LLM prevê pontuações de correspondência suave (soft matching scores/probabilities) para pares artigo-autor em lotes (batches).
3. Refinamento de Pontuação de Lote: Para lidar com inconsistências de calibração entre diferentes lotes de chamadas de API, o LLM é instigado novamente para refinar as pontuações globalmente, garantindo intervalos de probabilidade consistentes em todo o conjunto de dados.

Estágio 2: Ajuste Fino Supervisionado de Correção Cruzada (Cross-Correction SFT)

Os rótulos suaves refinados servem como supervisão para o ajuste fino de um modelo (Qwen3-8B com LoRA). A inovação central aqui é a integração da Lógica Suave Probabilística (PSL) para modelar dependências lógicas dentro do trio $(p, a_{in}, a_{out})$:

• Particionamento de Dados: Os dados de treinamento são divididos em um Conjunto Consistente ($D_{cs}$), onde os autores internos e externos são altamente similares, e um Conjunto Inconsistente ($D_{ics}$), onde eles diferem.
• Perda Baseada em PSL: O framework formula uma função de perda que impõe restrições lógicas.
  • Para conjuntos consistentes, se a correspondência artigo-autor externa for alta e os autores forem similares, a correspondência interna também deve ser alta.
  • Para conjuntos inconsistentes, o modelo infere qual fonte está incorreta ao maximizar a verossimilhança da atribuição correta enquanto minimiza a probabilidade daquela que conflita.
  • A perda total combina esta perda de PSL com a perda de Entropia Cruzada padrão, ponderada por um hiperparâmetro $\lambda$.

Estágio 3: Escalonamento de Tempo de Teste (Test-Time Scaling - TTS)

Para aumentar a robustez da predição, os autores empregam uma estratégia de bootstrapping durante a inferência:

• Estimativa de Confiança: Os artigos são ordenados pela confiança de predição do modelo.
• Tratamento de Serpente e Intercalação (Snake Dealing & Interleaving): Os artigos são distribuídos em lotes usando um padrão de "serpente" (zigue-zague) e reordenados dentro dos lotes (alto-baixo-alto-baixo). Isso garante que amostras de alta confiança atuem como "âncoras de poucos disparos" (few-shot anchors) para calibrar as predições do modelo para amostras de baixa confiança dentro da mesma janela de contexto.

3. Principais Contribuições

• Novo Paradigma: O artigo introduz a Correção entre Fontes, uma perspectiva que utiliza atribuições inconsistentes entre fontes como um sinal para detecção de erros, em vez de tratá-las como ruído ou verdade absoluta.
• Framework Completo: O CrossND integra refinamento de dados (Cadeia de Refinamento), raciocínio lógico (SFT baseado em PSL) e otimização de inferência (TTS) para enfrentar os desafios de rótulos ruidosos e dependências relacionais complexas.
• Mitigação de Ruído: O pipeline de Cadeia de Refinamento denoise eficazmente os perfis de autores e gera rótulos suaves confiáveis, reduzindo a dependência de anotação humana.
• Restrições Lógicas: O módulo de correção cruzada baseado em PSL modela explicitamente as interdependências entre pares artigo-autor entre as fontes, melhorando a capacidade do modelo de raciocinar sobre qual fonte contém o erro.

4. Resultados Experimentais

O framework foi avaliado em dois conjuntos de dados do mundo real: WhoIsWho (comparando AMiner e MAG) e KDD Cup (comparando AMiner e dados editados por usuários).

• Desempenho: O CrossND superou consistentemente 17 modelos de base (baselines), incluindo modelos tradicionais de aprendizado de máquina (GBDT, LOF), métodos baseados em grafos (DCI), métodos de autocorreção robustos ao ruído (Co-teaching, CORES) e chamadas diretas de API de LLM (GPT-5, Claude, Gemini).
  • No WhoIsWho, o CrossND alcançou um AUC de 82,19% e MAP de 61,79%, superando significativamente o melhor baseline (GuARD: 77,14% AUC).
  • No KDD Cup, o CrossND alcançou um AUC de 87,34% e MAP de 78,13%, superando o melhor baseline (GuARD: 85,27% AUC).
• Estudos de Ablação:
  • A remoção da fonte externa causou a maior queda de desempenho, confirmando a necessidade de sinais entre fontes.
  • A remoção da Limpeza de Perfil ou do Refinamento de Pontuação de Lote degradou o desempenho, validando o pipeline de Cadeia de Refinamento.
  • A remoção do PSL mostrou efeitos mistos, mas geralmente negativos em métricas de ranking (MAP), destacando o valor das restrições lógicas.
• Eficiência de Custo: O custo médio de API para o pipeline de refinamento foi de aproximadamente US$ 0,0019 por artigo no WhoIsWho. O modelo SFT implantado processa ~26 artigos por segundo em uma única GPU H100.
• Implantação no Mundo Real: O sistema foi implantado para auxiliar a verificação humana. Em um piloto, anotadores experientes encontraram 1.061 erros de atribuição entre 2.154 pares, um aumento de 47% na detecção de erros em comparação com sistemas anteriores.

5. Significância e Alegações

O artigo afirma que o CrossND oferece uma solução escalável e automatizada para corrigir erros de desambiguação de nomes de autores, aproveitando a "sabedoria das multidões" entre diferentes fontes de dados.

• Robustez: O framework demonstra que o raciocínio entre fontes pode identificar efetivamente atribuições incorretas mesmo quando ambas as fontes contêm ruído, desde que suas inconsistências sejam analisadas logicamente.
• Praticidade: Ao contrário de métodos que exigem extensa anotação humana, o CrossND opera com intervenção humana mínima e foi implantado com sucesso para apoiar a correção de atribuição artigo-autor em larga escala na prática (ex: na plataforma AMiner).
• Generalização: A abordagem não se limita a conjuntos de dados específicos; o uso de PSL e da cadeia de refinamento fornece uma estratégia generalizável para lidar com dados relacionais ruidosos em sistemas de busca acadêmica.

Os autores enfatizam que seu trabalho não pretende substituir totalmente a expertise humana, mas sim aumentá-la, fornecendo um mecanismo de pré-triagem automatizado e altamente preciso que reduz significativamente a carga de verificação manual.