論文の概要: Using Laplace Transform To Optimize the Hallucination of Generation Models

• arxiv url: http://arxiv.org/abs/2603.18022v1
• Date: Thu, 05 Mar 2026 10:45:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.394949
• Title: Using Laplace Transform To Optimize the Hallucination of Generation Models
• Title（参考訳）: Laplace Transform を用いて生成モデルの幻覚を最適化する
• Authors: Cheng Kang, Xinye Chen, Daniel Novak, Xujing Yao,
• Abstract要約: 我々は、制御理論のレンズを通して、生成モデル(GM)を力学系のクラスとして定式化する。 我々は制御理論の知識を用いてシステム機能とシステム応答を分析する。 トレーニングの進捗は対応するシステム応答と一致していることが分かり、より良い最適化コンポーネントを開発するための有用な方法が得られます。
• 参考スコア（独自算出の注目度）: 2.7648976108201815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To explore the feasibility of avoiding the confident error (or hallucination) of generation models (GMs), we formalise the system of GMs as a class of stochastic dynamical systems through the lens of control theory. Numerous factors can be attributed to the hallucination of the learning process of GMs, utilising knowledge of control theory allows us to analyse their system functions and system responses. Due to the high complexity of GMs when using various optimization methods, we cannot figure out their solution of Laplace transform, but from a macroscopic perspective, simulating the source response provides a virtual way to address the hallucination of GMs. We also find that the training progress is consistent with the corresponding system response, which offers us a useful way to develop a better optimization component. Finally, the hallucination problem of GMs is fundamentally optimized by using Laplace transform analysis.
• Abstract（参考訳）: 生成モデル(GM)の確実な誤差(あるいは幻覚)を回避する可能性を探るため、制御理論のレンズを通して確率力学系のクラスとしてGMのシステムを定式化する。 多くの要因がGMの学習過程の幻覚に起因しており、制御理論の知識を利用してシステム機能やシステム応答を分析することができる。 様々な最適化手法を用いる場合、GMの複雑さが高いため、ラプラス変換の解法は解明できないが、マクロ的な観点からは、ソース応答のシミュレーションはGMの幻覚に対処する仮想的な方法を提供する。 また、トレーニングの進捗は対応するシステム応答と一致しており、より良い最適化コンポーネントを開発するための有用な方法を提供することもわかりました。 最後に、GMの幻覚問題はラプラス変換解析を用いて根本的に最適化される。

関連論文リスト

• Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree [17.08113692977552]
  PhyloEvolveは、GPU指向のアルゴリズム最適化をIn-Context Reinforcement Learning問題として再設計するシステムである。 本稿では,アルゴリズムの変種間の継承,分岐,組換えを捉える系統木表現を提案する。 我々は、PDEソルバ、多様体学習、スペクトルグラフアルゴリズムを含む科学計算処理のPhyloEvolveを評価する。
  論文  参考訳（メタデータ） (2026-01-20T22:32:52Z)
• Semantic-Preserving Adversarial Attacks on LLMs: An Adaptive Greedy Binary Search Approach [15.658579092368981]
  大規模言語モデル(LLM)は、ユーザ入力を洗練させ、応答精度を向上させるために、グラフィカルユーザインタフェース(GUI)における自動プロンプト工学に依存している。 本稿では, セマンティック安定性を維持しつつ, 共通的なプロンプト最適化機構をシミュレートするアダプティブ・グレディ・バイナリ・サーチ(AGBS)手法を提案する。
  論文  参考訳（メタデータ） (2025-05-26T15:41:06Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• RITUAL: Random Image Transformations as a Universal Anti-hallucination Lever in Large Vision Language Models [16.185253476874006]
  RITUALは、ランダムに変換された画像を活用することで幻覚を低減する単純な復号法である。 RITUAL+は、Large Vision Language Modelsから自己フィードバックに基づいて画像変換を選択する拡張である。 実験により、RITUALとRITUAL+はいくつかの対象幻覚ベンチマークで幻覚を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2024-05-28T04:41:02Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。