arXiv cs.AI· Zihang Qiu, Jayashri Ravishankar, Anam Malik, Zhongju Wang, Renyou Xie·· 2 天前AI 评分21
EF-LLM：面向 AI 辅助自动化、稀疏数据预测增强与幻觉检测的持续学习框架
EF-LLM: A Continual Learning-Based Framework for AI-Assisted Automation, Enhanced Sparse Prediction, and Hallucination Detection
AI 导读
研究提出能源预测大模型 EF-LLM，融合领域知识与时序数据，支持预测前操作与预测后分析，并通过人机交互降低预测任务门槛。该框架采用可更新 LoRA 的持续学习机制与多通道架构对齐异构多模态数据，配合 F-PEFT 方法同时利用时序与文本数据，提升稀疏数据下的预测精度。EF-LLM 称是首个能检测幻觉并量化其发生率的能源专用 LLM，已在负荷、光伏与风电预测场景中验证。
正文 · AI 翻译
摘要：准确的预测有助于实现能源系统的供需平衡，从而支持运营决策，而此 http URL模型缺乏 AI 辅助的自动化，往往严重依赖专家知识，人力成本高，且在稀疏数据下表现不佳。此 http URL为应对这些挑战，本工作提出能源预测大语言模型（EF-LLM），它融合领域知识与时序数据进行时间序列预测，同时支持预测前操作与预测后此 http URL。EF-LLM 的人机（AI）交互能力进一步降低了预测任务的门槛，并减少了对额外专家此 http URL的需求。为支持这些功能，开发了具有可更新低秩适配（LoRA）的持续学习框架和多通道架构，以对齐异构多模态数据，使 EF-LLM 能够持续获取并适配多模态此 http URL。此外，EF-LLM 通过利用其处理和融合多模态信息的能力，提高了稀疏数据条件下的预测精度。进一步引入融合参数高效微调（F-PEFT）方法，以有效利用时间序列数据和文本此 http URL。EF-LLM 还是首个检测幻觉并量化其发生率的能源专用 LLM，通过多任务学习和语义相似度实现此 http URL。本工作在负荷、光伏和风电预测等能源预测场景中取得了成功。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2411.00852 [cs.LG] |
| （或 arXiv:2411.00852v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2411.00852 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zihang Qiu [查看邮箱]
[v1]
2024年10月30日 星期三 11:22:37 UTC（7,670 KB）
[v2]
2024年12月24日 星期二 03:24:55 UTC（38,545 KB）
[v3]
2026年10月26日 星期一 04:59:48 UTC（31,594 KB）
来源：arXiv cs.AI · arxiv.org