Loom: Weaving Diagnostic Strands into Free-Text Consensus via Embedding-Space Reweighting· Loom：通过嵌入空间重加权将诊断信息编织成自由文本共识
Aggregating noisy, conflicting textual hypotheses into a reliable consensus is a fundamental challenge when deploying NLP systems in real-world industrial settings. While monolithic Large Language Model (LLM) agents offer unbounded expressivity for tasks like Root Cause Analysis (RCA), they suffer from context limits, compounding hallucinations, and prohibitive inference latency. Traditional weak supervision offers statistical rigor but is mathematically restricted to discrete classes. We present Loom, a generative consensus framework deployed for real-world RCA that bridges these paradigms. Loom aggregates open-form hypotheses emitted by modular heuristics (diagnostic templates dynamically populated with episode-specific entities, times, and metrics) by projecting them into a continuous e
Loom 通过嵌入空间重加权整合多个诊断模板的输出，形成可靠的自由文本共识。
- 核心方法
- Loom 将模块化的诊断模板输出投影到连续的嵌入空间，通过重加权方法生成最终的共识文本，结合了大型语言模型的表达能力与传统弱监督的统计严谨性。
- 适合谁读
- 适合研究者和工程师，特别是那些关注 NLP 在工业应用中的实际问题和解决方案的人
- 要解决的问题
- 在实际工业环境中，如何将嘈杂且冲突的文本假设整合成一个可靠的共识，特别是在根因分析中。
- 关键实验
- 未提供
- 主要贡献
- 提出了一种新的生成性共识框架 Loom，克服了大型语言模型的上下文限制、幻觉累积和推理延迟问题，同时拓展了传统弱监督方法的应用范围。
- 意义与局限
- Loom 在实际工业根因分析中表现出色，能够提供更可靠和高效的文本整合方案，但其效果可能依赖于具体应用场景和数据质量。