כתבה
arXiv cs.AI ·
חשיפת הברירת המחקר ב-MLLMs דרך צמצום קאוזלי
Revealing Epistemic Uncertainty in MLLMs via Causal-Invariant Masking
אוצרם של MLLMs סובלים מהיפוכונדריה, ולכן יש צורך חירום להערכת הביטחון. אנו מציגים צורה חדשה לצמצום הברירת המחקר, CIM, שמדד את השינוי המשמעותי בין התחזיות המקוריות לאלה שהתבססו על תצפית קאוזלי.
תקציר מקורי באנגליתarXiv:2610.02887v1 Announce Type: cross Abstract: Multimodal Large Language Models (MLLMs) suffer from hallucinations, creating a critical need for Uncertainty Quantification (UQ) to ensure reliable deployment. However, existing approaches struggle to detect uncertainty caused by superficial associations, especially when the query-relevant signal is weak. We mainly attribute this issue to their bias toward aleatoric uncertainty arising from data ambiguity, overlooking epistemic uncertainty stemming from model limitations. To further decompose uncertainty types for a comprehensive UQ, we propose Causal-Invariant Masking (CIM), which measures the semantic shift between the original predictions and those conditioned on a causally-focused view. Based on this framework, we introduce Semantic Di
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית