Multi-Perspective Consistency Enhances Confidence Estimation in Large Language Models

828 篇文章

已下架不支持订阅

本文研究了大型语言模型(LLM)的置信度估计问题,提出多视角一致性(MPC)方法以解决模型对错误答案过度自信的挑战。MPC包括模型内和模型间的视角集成,实验证实在多个数据集上提高了置信度估计的准确性和可靠性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Multi-Perspective Consistency Enhances Confidence Estimation in Large Language Models》的翻译。

多视角一致性增强大型语言模型的置信度估计

摘要

在大型语言模型(LLM)的部署中,准确的置信度估计对于评估模型预测的可信度至关重要。然而,现有的方法往往无法克服对错误答案过于自信的问题。在这项工作中,我们专注于改进大型语言模型的置信度估计。考虑到语言模型中自我意识的脆弱性,我们引入了一种多视角一致性(MPC)方法。我们利用模型内(MPC内部)和不同模型间(MPC横向)不同视角的互补见解来缓解单一视角下产生的过度自信问题。在八个公开数据集上的实验结果表明,我们的MPC实现了最先进的性能。进一步的分析表明,MPC可以缓解过度自信的问题,并且可以有效地扩展到其他模型。

1 引言

2 方法

3 实验

4 相关工作

5 讨论

6 结论

在本文中,我们关注LLM的置信度估计中的过度自信问题。我们介绍了两种方法:MPC-Internal

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值