Не тренировать неопределенность: ранняя неопределённость

arXiv: 2610.12048v1 Annuales Type: New Habstrate: Deep Neural Networks, включая крупные языковые модели, достигли замечательных результатов в решении различных задач. Однако они склонны к чрезмерной уверенности во время подготовки или усовершенствования. В ходе этой работы мы наблюдаем последовательное явление в различных моделях, что ранняя модель лучше калибруется, тогда как позднее обучение или доработка обеспечивают незначительное повышение точности, но существенно увеличивают погрешности калибровки. Результаты нашего анализа свидетельствуют о том, что в ранней модели сохраняется понимание факторов неопределенности как с точки зрения прогнозов, так и особенностей, которые постепенно теряются при продолжении профессиональной подготовки. Чтобы избежать этого понимания неопределенности, мы предлагаем новый метод, который использует formula_BAR_textbf {EUA-Cal} как неопределённую модель для intextb f'sterbf'e'l}. EUA-Cal вводится ранняя упорядочение прогнозов для сохранения ранней прогнозируемой неопределенности и типовой структуры для использования неопределенности, отраженной в