Mostafa Cham等发布LLM-SR-UQ结构不确定性框架论文
热点事件持续更新
Mostafa Cham等发布LLM-SR-UQ结构不确定性框架论文
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Mostafa Cham 等研究者在 arXiv 发布论文，提出 LLM-SR-UQ 框架，用于量化 LLM 引导符号回归中函数形式的结构不确定性。 该框架针对的问题是：不同候选方程在拟合数据上表现相近，外推表现却差异很大。方法上保留多个竞争方程结构，用它们之间的分歧衡量结构不确定性，并扩展固定宽度 conformal 方法构建结构区间。 在 LLM-SRBench 数据集上的实验显示，标准 conformal 区间在分布内覆盖达标但外推时经常失效，而新方法显著提升覆盖达成率，且对其他符号回归方法具有泛化性。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
LLM-SR-UQ：面向 LLM 引导符号回归外推场景的结构不确定性框架报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.AILLM-SR-UQ：面向 LLM 引导符号回归外推场景的结构不确定性框架
研究者提出 LLM-SR-UQ 框架，解决 LLM 引导符号回归中不同候选方程在拟合数据相近但外推表现差异大的问题。该框架保留多个竞争方程结构，用其分歧量化函数形式的结构不确定性，并扩展固定宽度 conformal 方法构建结构区间。在 LLM-SRBench 上的实验显示，标准 conformal 区间在分布内覆盖达标但外推时常失效，而新方法显著提升覆盖达成率且对其他符号回归方法具有泛化性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。