כתבה
arXiv cs.LG ·
ABSOL: רשתות בייסיאניות סבסטריות מאורגנות עם LLMs
ABSOL: Aggregated Bayesian Subsampling Orchestrated with LLMs
ABSOL, פרקטיקה חדשה של LLMs, משפרת את למידת המבנה של רשתות בייסיאניות. הפרויקט, שפורסם ב-arXiv, משתמש ב-LLMs כנחשים סמנטיים, ומציע רשתות בייסיאניות סבסטריות שמשפרות את יכולת ה-LLM ללמוד מבנה רשתות. הפרויקט כולל גם רפרוש פוסט-הוק כדי לבדוק את יכולת ה-LLM לשפר את המבנה של הרשת. הקוד של ABSOL זמין ב-github.com/megagonlabs/absol-bn.
תקציר מקורי באנגליתarXiv:2609.15007v1 Announce Type: cross Abstract: Large language models are increasingly used as natural-language interfaces to structured data, yet they remain unreliable when answers require consistent evidence conditioning, dependency-aware reasoning, and uncertainty estimation. Bayesian networks provide an explicit probabilistic reasoning layer, but learning useful structures from data remains costly and fragile at scale. We introduce ABSOL, a hybrid LLM-guided Bayesian network structure-learning framework that uses LLMs as bounded semantic guides. Across five discrete BN benchmarks spanning 27 to 1041 nodes, ABSOL is the only evaluated method to produce a viable graph on every benchmark, and achieves the highest Edge F_1 on every benchmark larger than 27 nodes with GPT-5.4. The four L
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית