A regressão simbólica (RS) explora funções matemáticas para capturar relações em dados, mas sua adoção é limitada pela falta de quantificação de incerteza (UQ). Esta pesquisa é a primeira a abordar a UQ em RS, revisando a literatura em abordagens frequentistas, bayesianas e de seleção de modelo.
Este conteúdo explora o aspecto crítico de avaliar a qualidade da quantificação da incerteza especificamente na inferência de Redes Neurais Bayesianas. Provavelmente aborda metodologias para avaliar e melhorar a confiabilidade das estimativas de incerteza preditiva em modelos de IA.
MixAtlas é um método que otimiza a mistura de dados para o treinamento intermediário de LLMs multimodais, decompondo os corpora em conceitos visuais e tipos de tarefa. Utilizando modelos proxy e um substituto de processo gaussiano, ele encontra receitas de dados de melhor desempenho para eficiência e generalização aprimoradas.
Neural Bayesian Sequential Routing (NBSR) é uma nova estrutura que modela a inferência neural como acumulação ativa de evidências através de um grafo acíclico direcionado hierárquico. Ele utiliza um framework Dirichlet-Categórico para atualizar um estado de crença, permitindo roteamento dependente de caminho e quantificação da incerteza.
Este artigo de pesquisa propõe um novo método para quantificar a incerteza em modelos de linguagem, traçando o caminho cumulativo das atualizações MLP por camada. Ao extrair onze características geométricas invariantes em escala, uma sonda linear esparsa supera a probabilidade máxima de softmax na avaliação da incerteza.
Esta pesquisa aborda o desafio crítico de quantificar a incerteza em Grandes Modelos de Raciocínio (LRMs), destacando as limitações dos métodos tradicionais e existentes de Predição Conformal (CP). O objetivo é desenvolver uma abordagem estatisticamente rigorosa que considere as conexões lógicas, interprete as origens da incerteza e separe a qualidade do raciocínio da correção da resposta.
Este artigo propõe uma nova estrutura baseada em bootstrap para a quantificação de incerteza (UQ) em Redes Neurais Convolucionais (CNNs), abordando a falta de ferramentas UQ teoricamente consistentes. O método utiliza redes neurais convexificadas para garantir a consistência teórica, além de ser computacionalmente mais eficiente e explorar um novo método de aprendizado por transferência.
Este artigo argumenta que os métodos atuais de Quantificação de Incerteza (UQ) para LLMs são, na verdade, algoritmos de agrupamento não supervisionado, medindo a consistência interna das gerações do modelo em vez da correção externa. Consequentemente, esses métodos falham em detectar "alucinações confiantes" e podem criar uma falsa sensação de segurança na implantação de LLMs em domínios de alto risco.
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.