LLM-SR-UQ 用结构不确定性提升符号回归外推可靠性
热点事件持续更新
LLM-SR-UQ 用结构不确定性提升符号回归外推可靠性
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Mostafa Cham、Bayu Adhi Tama 和 Jianwu Wang 提出 LLM-SR-UQ 框架，通过保留多个候选方程结构及其分歧，量化 LLM 引导符号回归中函数形式的不确定性，并据此改善外推预测的可靠性。 该框架扩展了固定宽度共形预测方法，引入结构区间，根据候选方程之间的分歧识别需要扩大预测区间的区域。研究团队在 LLM-SRBench 数据集上的实验显示，标准共形区间虽能达到分布内的预期覆盖率，却经常无法在外推场景中维持覆盖率。LLM-SR-UQ 旨在改善外推覆盖率，同时保持分布内覆盖率，并可应用于其他符号回归方法。
AI 根据报道生成 · 2 小时前更新
最新进展11月2日 13:00
LLM-SR-UQ：通过结构不确定性提升 LLM 引导符号回归的外推可靠性报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · Machine LearningLLM-SR-UQ：通过结构不确定性提升 LLM 引导符号回归的外推可靠性
LLM-SR-UQ 提出一种面向 LLM 引导符号回归的结构不确定性量化框架，通过保留多个候选方程结构及其分歧，刻画函数形式的不确定性。该框架扩展固定宽度共形方法，构建结构区间，改善外推场景下的预测覆盖率，同时保持分布内覆盖率，并可泛化至其他符号回归方法。
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。