چارچوبی برای سنجش عدم‌قطعیت معادلات پیشنهادی هوش مصنوعی

پیش‌چاپی در arXiv چارچوبی به نام LLM-SR-UQ معرفی می‌کند که به‌جای انتخاب یک معادلهٔ برتر، چند ساختار معادله‌ای رقیب را نگه می‌دارد و اختلاف میان آن‌ها را برای سنجش عدم‌قطعیت دربارهٔ شکل تابع به کار می‌گیرد.

به‌گفتهٔ نویسندگان، معادلات متفاوت می‌توانند داده‌های مشاهده‌شده را به‌شکلی مشابه برازش کنند، اما هنگام برون‌یابی نتایج بسیار متفاوتی بدهند. آزمایش‌ها روی مجموعه‌دادهٔ LLM-SRBench نشان داده است که بازه‌های استاندارد conformal درون توزیع پوشش اسمی دارند، اما در برون‌یابی اغلب ناکام می‌مانند. چکیدهٔ در دسترس دربارهٔ جزئیات بیشتر چارچوب یا نتایج آن توضیحی نمی‌دهد.