可信度变换器

模型的可信度对人工智能系统的实际应用至关重要。

提出了一种新的训练策略，结合熵鼓励损失和对抗校准损失，以提高领域漂移下的校准性和适应性。

该方法在多个数据模式、数据集和网络架构上评估，结果显示明显优于现有技术。

CATs方法在保证高可信度的同时提高计算效率，并训练额外的预测模型以实现动态决策。

研究发现Transformer架构在语言模型方面的局限性，并分析了其在非渐近数据区域的性能。

大型语言模型能够激发可信度信号，使用弱监督方法预测内容真实性，性能优于现有分类器。

TabMT是一种新型掩码Transformer设计，能够有效生成合成表格数据并处理缺失数据。

通过插入已验证的任务模块提高语言模型的可验证性和可信度，减少验证工作量。

提出了一种基于概率电路的多模态融合方法，证明其在性能上与最先进方法竞争。

量化技术在实现高效和可信性方面比剪枝更有效，并意外提高某些可信度维度。

Learned Proportions和LeaPformers模型通过动态比例生成模块实现更灵活的注意力集中模式。

为表格数据设计的新型随机深度学习模型在公开数据集上验证了其高性能。