Toward Robust In-Context Learning: Leveraging Out-of-distribution Proxies for Target Inaccessible Demonstration Retrieval

Dieses Papier stellt DOPA vor, ein Framework zur Demonstrationssuche für robustes In-Context Learning mit Großen Sprachmodellen (LLMs). DOPA verwendet einen OOD-Proxy zur Annäherung an unzugängliche Zieldomänen und eine globale Diversitätsbeschränkung basierend auf der Mahalanobis-Distanz.