团队提出LLM-SR-UQ量化符号回归结构不确定性
热点事件持续更新
团队提出LLM-SR-UQ量化符号回归结构不确定性
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Mostafa Cham等作者提出LLM-SR-UQ框架，通过保留多个竞争方程结构、利用它们之间的分歧来刻画LLM引导符号回归中函数形式的不确定性。 在LLM-SRBench数据集上，标准保形区间在分布内达到名义覆盖率，但在外推场景下频繁失效；该框架扩展固定宽度保形方法以量化结构区间，显著提升覆盖率并保持分布内覆盖。作者称，该方法应用于其他符号回归方法时也表现出良好泛化性。
AI 根据报道生成 · 50 分钟前更新
最新进展11月3日 13:00
LLM-SR-UQ：面向 LLM 引导符号回归外推的结构不确定性量化框架报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.AILLM-SR-UQ：面向 LLM 引导符号回归外推的结构不确定性量化框架
研究团队提出 LLM-SR-UQ 框架，通过保留多个竞争方程结构并利用其分歧来刻画函数形式的不确定性。在 LLM-SRBench 数据集上，标准保形区间在分布内达到名义覆盖率，但在外推场景下频繁失效；该框架扩展固定宽度保形方法以量化结构区间，显著提升覆盖率并保持分布内覆盖。该方法应用于其他符号回归方法时也表现出良好泛化性。
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。