大型语言模型的事实准确性不可靠。研究人员提出了估计模型置信度的技术，但缺乏系统比较。我们的实验框架显示，训练的隐藏状态探针提供了最可靠的置信度估计。模型在语义等效输入下的置信度不稳定，表明仍有改进空间。

时间序列分类中常出现新类别，系统需在学习新类别时避免遗忘旧类别，这就是类别增量学习（CIL）问题。尽管图像和语言领域有进展，但时间序列数据的CIL研究较少。本文概述了时间序列类别增量学习的问题和挑战，并开发了一个统一的实验框架，用于评估各种CIL方法。实验揭示了设计因素对性能的影响，为未来研究提供了基线。

本研究解决了神经网络系统开发中关于训练效率测量的研究空白，并提出了一个实验框架来分析卷积神经网络和贝叶斯等价物在MNIST和CIFAR-10任务上的训练效率。研究发现训练效率随着训练进展而下降，并且在不同的停止标准下存在显著差异，指示出更复杂的学习任务下不同架构的训练效率差异更加明显。

本文评估了无监督设置中实现文本领域表征分离的挑战，并通过实验强调了差距和影响分离效果的因素。研究提供了实验框架和数据集，是无监督表征分离和文本交叉领域的首次尝试。

本文介绍了一种采用可计算的信息理论模型的深度学习模型，通过统计物理方法导出熵和互信息，设计了实验框架用于训练和验证该模型，并研究了其学习过程中的行为。压缩和泛化之间的关系仍不明确。

本文介绍了一种采用可计算的信息理论模型的深度学习模型，并探讨了该模型从统计物理方法中导出熵和互信息的方法。同时，设计了一种实验框架用于对生成模型进行训练，并对该模型进行验证。

本文介绍了一种采用可计算信息理论模型的深度学习模型，并探讨了该模型从统计物理方法中导出熵和互信息的方法。同时，设计了一种实验框架用于对生成模型进行训练，并对该模型进行验证。