★ 2
LOTUS：低秩多线性分解检测大模型幻觉
该论文提出 LOTUS（低秩阶统计 Tucker 子空间学习）框架，通过多线性低秩分解从大模型隐藏状态中提取紧凑表征，用于幻觉检测。方法先用统计描述子汇总变长 token 表征，再以低秩分解捕捉跨层结构，训练轻量分类器。实验在多个大模型与问答基准上优于现有最优基线，并降低对标注数据的依赖。
arXiv NLP5 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
该论文提出 LOTUS（低秩阶统计 Tucker 子空间学习）框架，通过多线性低秩分解从大模型隐藏状态中提取紧凑表征，用于幻觉检测。方法先用统计描述子汇总变长 token 表征，再以低秩分解捕捉跨层结构，训练轻量分类器。实验在多个大模型与问答基准上优于现有最优基线，并降低对标注数据的依赖。
该论文提出 Embedding Graph Kernel Entropy（EGKE），用 BGE 句嵌入上的 RBF 核替换 Kernel Language Entropy 中依赖 NLI 分类器的语义图，保留图拉普拉斯、热核与冯诺依曼熵框架。方法在连续嵌入空间中直接计算相似度，避免额外加载 NL…