English(EN) LLM knowledge for improved Out-of-Distribution Tabular Prediction - A Cross-Validated Regularisation Approach

LLM利用先验知识改进分布外表格预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-28 04:00

研究人员开发了一种利用从大型语言模型（LLM）中提取的知识来改进分布外（OOD）表格预测的方法。该方法将LLM生成的系数先验作为回归中的正则化目标，在五个数据集中的四个上显示出改进，在OOD均方误差方面提高了高达7.9%。虽然提取的知识显示出益处，但候选先验之间的变异性以及通过交叉验证选择最佳先验的难度带来了挑战。研究还指出，LLM衍生的先验在某些数据集上提高了域内准确性，表明其除了移位校正之外，还可以作为一种通用的正则化技术。 AI

影响通过利用LLM知识提高了表格数据的预测准确性，有可能在实际场景中提高模型的鲁棒性。

排序理由研究论文，详细介绍了使用LLM衍生的知识改进预测模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文，详细介绍了使用LLM衍生的知识改进预测模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · S{\o}lve Langseth, Kristoffer Herland Hellton, Hugo L. Hammer · 2026-10-28 04:00

LLM知识用于改进分布外表格预测——一种交叉验证的正则化方法

arXiv:2610.36806v1 Announce Type: cross Abstract: Prediction models degrade when the deployment population differs from the one used to train them, and training data cannot say which feature-response relationships will transfer. Expert elicitation is slow and unscalable. We ask w…

本文如何被排名

报道来源 [1]

LLM知识用于改进分布外表格预测——一种交叉验证的正则化方法

相关实体

相关话题