כתבה
arXiv cs.LG ·
קליברציה של ביטחון בזמן ריצה לקואורדינציה של מודלי יסוד
MARGIN: Runtime Confidence Calibration for Multi-Agent Foundation Model Coordination
מאמר זה מציג שיטה לקליברציה של ביטחון בזמן ריצה לקואורדינציה של מודלי יסוד. השיטה, MARGIN, לומדת תיקוני ביטחון ספציפיים למודלים מתוך תוצאות נצפות, ללא תפעול שוב ושוב של המודלים. MARGIN משתמשת באקורדציה של תוצאות וביטחון נמסר, ומתאימה את הביטחון הנמסר לפי האקורדציה. השיטה משמשת לקואורדינציה של מודלים תחת עמודה שינויים.
תקציר מקורי באנגליתarXiv:2605.22949v4 Announce Type: replace Abstract: When a coordinator compares answers from heterogeneous foundation models, self-reported confidence may have different meanings across responders and changing workloads. This paper presents MARGIN (Multi-Agent Runtime Grading via Incremental Normalisation), a runtime calibration method that learns model-specific confidence corrections from observed answer outcomes without retraining the models or requiring a held-out calibration set. MARGIN tracks recent accuracy and stated confidence within confidence bands, uses their ratio to correct reported confidence, and blends sparse-band corrections toward a model-level estimate. The corrected scores weight candidate answers in a collective decision. Evaluation covers code generation, question ans
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית