SEMANTIC UNCERTAINTY: LINGUISTIC INVARIANCES FOR UNCERTAINTY ESTIMATION

本文是LLM系列文章,针对《SEMANTIC UNCERTAINTY: LINGUISTIC INVARIANCES FOR UNCERTAINTY ESTIMATION IN NATURAL LANGUAGE GENERATION》的翻译。

语义不确定性:自然语言生成中不确定性估计的语言不变性

摘要

我们介绍了一种测量大型语言模型中不确定性的方法。对于问答等任务,了解何时可以信任基础模型的自然语言输出至关重要。我们证明,由于“语义对等”,测量自然语言中的不确定性是具有挑战性的——不同的句子可能意味着同一件事。为了克服这些挑战,我们引入了语义熵——一种融合了共享意义所创造的语言不变性的熵。我们的方法是无监督的,只使用一个模型,不需要对“现成的”语言模型进行修改。在综合消融研究中,我们发现语义熵比可比基线更能预测问答数据集的模型准确性。

1 引言

2 不确定估计的背景

3 NLG不确定性估计中的挑战

4 语义不确定性

5 相关工作

6 经验评价

7 讨论

许多自然语言问题显示出一个关键的不变性:不同token的序列意味着相同的事情。直接解决这个问题,我们引入了语义熵——意义而非序列上的

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