La regresión simbólica (SR) explora funciones matemáticas para capturar relaciones en los datos, pero su adopción está limitada por la falta de cuantificación de la incertidumbre (UQ). Este estudio es el primero en abordar la UQ en SR, revisando la literatura en enfoques frequentistas, bayesianos y de selección de modelos.
Este contenido explora el aspecto crítico de evaluar la calidad de la cuantificación de la incertidumbre específicamente en la inferencia de Redes Neuronales Bayesianas. Probablemente profundiza en metodologías para evaluar y mejorar la fiabilidad de las estimaciones de incertidumbre predictiva en modelos de IA.
MixAtlas presenta un método consciente de la incertidumbre para optimizar mezclas de datos en el entrenamiento intermedio de LLMs multimodales, descomponiendo los corpora en conceptos de imagen y tipos de tarea. Utilizando modelos proxy y un sustituto de proceso gaussiano, encuentra recetas de datos de mejor rendimiento para una mayor eficiencia y generalización.
Neural Bayesian Sequential Routing (NBSR) es un nuevo marco que modela la inferencia neural como acumulación activa de evidencia sobre un grafo acíclico dirigido jerárquico. Utiliza un marco conjugado de Dirichlet-Categórico para actualizar un estado de creencia de Dirichlet, permitiendo el enrutamiento dependiente de la ruta y la cuantificación de la incertidumbre.
Este artículo de investigación propone un nuevo método para cuantificar la incertidumbre en modelos de lenguaje, rastreando la trayectoria acumulativa de las actualizaciones MLP por capa. Al extraer once características geométricas invariantes a escala, una sonda lineal esparsa supera la probabilidad máxima de softmax en la evaluación de la incertidumbre.
Esta investigación aborda el desafío crítico de cuantificar la incertidumbre en Grandes Modelos de Razonamiento (LRMs), señalando las limitaciones de los métodos tradicionales y existentes de Predicción Conformal (CP). Su objetivo es desarrollar un enfoque estadísticamente riguroso que considere las conexiones lógicas, interprete los orígenes de la incertidumbre y desvincule la calidad del razonamiento de la corrección de la respuesta.
Este artículo propone un nuevo marco basado en bootstrap para la cuantificación de incertidumbre (UQ) en Redes Neuronales Convolucionales (CNN), abordando la falta de herramientas UQ teóricamente consistentes. El método emplea redes neuronales convexificadas para establecer consistencia teórica, ofrece una carga computacional significativamente menor y explora un enfoque novedoso de aprendizaje por transferencia.
Este artículo sostiene que los métodos actuales de Cuantificación de Incertidumbre (UQ) para LLMs son, en realidad, algoritmos de agrupamiento no supervisado, que miden la consistencia interna de las generaciones del modelo en lugar de su corrección externa. En consecuencia, estos métodos no detectan las "alucinaciones confiadas" y pueden generar una falsa sensación de seguridad al desplegar LLMs en ámbitos de alto riesgo.
Este artigo propõe SELFDOUBT, uma estrutura de passagem única para quantificar a incerteza em LLMs de raciocínio, especialmente para APIs proprietárias. Utiliza o Hedge-to-Verify Ratio (HVR) para identificar marcadores de incerteza e autoavaliação diretamente do rastro de raciocínio, superando métodos caros de amostragem.
Este artigo explora o uso de busca evolucionária impulsionada por LLMs para desenvolver automaticamente métodos de Quantificação de Incerteza (UQ) não supervisionados. Os métodos evoluídos superam baselines manuais em verificação de alegações, demonstrando generalização robusta e estratégias distintas entre diferentes modelos de LLM.