Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

SeSE: A Structural Information-Guided Uncertainty Quantification Framework for Hallucination Detection in LLMs

Created by
  • Haebom
Category
Empty

저자

Xingtao Zhao, Hao Peng, Dingli Su, Xianghua Zeng, Chunyang Liu, Jinzhi Liao, Philip S. Yu

개요

본 논문은 안전에 중요한 상황에서 대규모 언어 모델(LLM)을 배포하기 위한 신뢰할 수 있는 불확실성 정량화(UQ) 프레임워크인 Semantic Structural Entropy (SeSE)를 제시한다. SeSE는 의미 구조 정보를 활용하여 환각 탐지를 위한 LLM의 불확실성을 정량화한다. 이를 위해, 적응적으로 희소화된 방향성 의미 그래프 구성 알고리즘을 개발하고, 최적의 압축 후 의미 공간 내 고유 불확실성을 공식화하는 최적 의미 인코딩 트리 구조적 엔트로피를 활용한다. 또한, SeSE는 개별 주장의 불확실성을 정량화하여 장문 생성에서 세분화된 UQ를 향상시킨다. 29개의 모델-데이터셋 조합에 대한 실험에서 SeSE가 기존 UQ 방법보다 우수한 성능을 보였다.

시사점, 한계점

•
시사점:
◦
LLM의 안전성을 높이기 위해 불확실성 정량화 문제를 해결하는 새로운 프레임워크 제시.
◦
의미 구조 정보를 활용하여 불확실성을 더 정확하게 추정.
◦
환각 탐지를 위한 이론적 근거를 제공.
◦
장문 생성에서의 세분화된 불확실성 정량화 개선.
◦
다양한 모델과 데이터셋에 대한 실험을 통해 우수한 성능 입증.
•
한계점:
◦
논문에 구체적인 한계점 언급이 없음.
👍
Made with Slashpage