כתבה
arXiv cs.LG ·
FragileFlow: שליטה בתדרי ספקטרליים של תחזיות נכונות-בעייתיות לאבטיפי רשתות יסוד
FragileFlow: Spectral Control of Correct-but-Fragile Predictions for Foundation Model Robustness
מחקר חדש מציע שיטה להתאמה עמידה של LLMs ו-VLMs. FragileFlow, שיטה חדשה, מסוגלת לזהות תחזיות נכונות-בעייתיות ולארגן את הסיכוי הסיסטמטי הלא-נכון לפי סיכויי סכנה. השיטה נבדקה במספר תחומים, כולל LLMs ו-CLIP.
תקציר מקורי באנגליתarXiv:2605.08896v2 Announce Type: replace-cross Abstract: Robust adaptation of LLMs and VLMs is often evaluated by average accuracy or average consistency under perturbations. However, these averages can hide a structured failure mode: a prediction may remain correct while probability mass already flows from particular true classes toward systematic wrong competitors near the decision boundary. In this paper, we formalize this phenomenon as margin-aware error flow and introduce FragileFlow, a plug-in regularizer that uses a calibrated margin buffer to identify correct-but-fragile predictions and organize their off-class probability mass into a class-wise vulnerable-risk matrix. Theoretically, we provide the first PAC-Bayes upper bound for this margin-aware error-flow object, showing how em
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית