本研究提出了一种图形不确定性方法，旨在解决大型语言模型在长文本生成中的虚构和不确定性问题。通过二分图表示生成与声明的关系，结果显示该方法在多个任务上提高了6.8%的AUPRC，并在事实性方面改善了2-4%。

本文提出了一种模型不可知的方法，通过优化AUC选择函数，并使用AUCROSS算法实现最佳平衡。研究表明，AUPRC与AUROC之间存在关联，强调了对度量标准性能深入理解的重要性。此外，提出了新的评价指标和替代损失函数，以提升分类性能和模型可信度。

本文综述了AUPRC与AUC优化的研究进展，涵盖：基于SOAP采样的AUPRC优化方法及其收敛性证明；提升收敛速度的随机动量与自适应方法；解决多方协同AUPRC最大化的SLATE算法；Precision-Recall曲线在聚类验证中的应用；线性复杂度的AUC替代损失函数；深度学习中组合损失与AUROC最大化的实验研究；20年AUC最大化文献综述；评估OOD检测的AUTC指标；以及AUC-opt算法及其NP完全性证明。