LLM-SR-UQ用候选方程分歧量化外推不确定性
热点事件持续更新
LLM-SR-UQ用候选方程分歧量化外推不确定性
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Mostafa Cham等作者提出LLM-SR-UQ框架，保留多个候选方程结构，并用它们之间的分歧刻画函数形式的不确定性。 在LLM-SRBench数据集上，标准保形区间在分布内覆盖达标，但外推时经常失效；该框架扩展固定宽度保形方法以量化结构区间，显著提升外推覆盖并保持分布内覆盖。作者称，该框架还可推广到其他符号回归方法。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.AI大语言模型（LLM，Large Language Model）-SR-UQ：面向大语言模型引导符号回归外推的结构不确定性框架
研究团队提出 大语言模型（LLM，Large Language Model）-SR-UQ 框架，通过保留多个候选方程结构并利用它们之间的分歧来刻画函数形式的不确定性。在 LLM-SRBench 数据集上，标准保形区间在分布内覆盖达标，但在外推时经常失效；该框架扩展固定宽度保形方法以量化结构区间，显著提升外推覆盖并保持分布内覆盖，还可推广到其他符号回归方法。
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。