GENUINE: Graph Enhanced Multi-level Uncertainty Estimation for Large Language Models
Created by
Haebom
저자
Tuo Wang, Adithya Kulkarni, Tyler Cody, Peter A. Beling, Yujun Yan, Dawei Zhou
개요
본 논문은 대규모 언어 모델(LLM)의 신뢰성 향상을 위해 불확실성 추정의 중요성을 강조하며, 기존 방법들의 한계점인 토큰 단위 확률 측정에 따른 의미적 의존성 간과 문제를 해결하고자 제안된 GENUINE(Graph ENhanced mUlti-level uncertaINty Estimation) 프레임워크를 소개합니다. GENUINE은 의존성 구문 분석 트리와 계층적 그래프 풀링을 활용하여 구조 인식 불확실성 정량화를 수행하며, 지도 학습을 통해 의미적 및 구조적 관계를 효과적으로 모델링하여 신뢰도 평가를 향상시킵니다. 다양한 NLP 작업에 대한 실험 결과, GENUINE은 기존 의미 엔트로피 기반 접근 방식보다 최대 29% 높은 AUROC를 달성하고 보정 오류를 15% 이상 줄이는 등 그래프 기반 불확실성 모델링의 효과를 입증합니다. 소스 코드는 https://github.com/ODYSSEYWT/GUQ 에서 확인 가능합니다.