研究人员引入了一种名为标签置信度感知不确定性量化（LCA-UQ）的新方法，以提高大型语言模型（LLMs）不确定性估计的可靠性。该方法解决了现有方法的主要局限性，即现有方法主要使用来自多个样本的熵，而常常忽略候选答案的具体置信度。LCA-UQ利用点向Kullback-Leibler散度来更好地使采样输出的一致性与候选答案的校准相匹配。在各种LLMs和NLP数据集上的实证结果表明，LCA-UQ能有效捕捉采样结果与标签来源之间的细微差别，从而实现更优越的不确定性估计。 AI
影响 通过更好地识别潜在的幻觉或无效响应，提高了LLMs的可靠性。
排序理由 该集群包含一篇学术论文，详细介绍了LLMs不确定性量化的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Label-Confidence-Aware Uncertainty Quantification
- large-language models
- NLP datasets
- Pointwise Kullback-Leibler divergence
- Qinhong Lin
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
