Új módszer méri a látási-nyelvi modellek bizonytalanságát
Kutatók kidolgoztak egy új keretrendszert, a FUSE-t, amely a látási és nyelvi modellek bizonytalanságát méri. A módszer kombinálja az aleatorikus és episztemikus forrásokat, és megbízhatóan jelzi előre a modell kimenetének helyességét.
A kutatók által kidolgozott FUSE keretrendszer a látási-nyelvi modellek széles körben elterjedt alkalmazását segítheti elő, például a robotikában vagy az autonóm járművek terén.
A bizonytalanság két forrása
A látási-nyelvi modellek egyre fontosabb szerepet töltenek be számos területen, például a robotikában. Ezeknek a modelleknek a kimenetének bizonytalanságát kritikus fontosságú kvantálni, hogy megbízhatóan működjenek. A FUSE keretrendszer az aleatorikus bizonytalanságot az adatok látási-nyelvi ambiguitásából vezeti le, míg az episztemikus bizonytalanságot a VLM-ek szemantikai válaszainak sokféleségéből becsüli meg.
Kapcsolódó: VLM-pontosság
Bayes-módszer a pontosabb becslésért
A FUSE egy Bayes-féle fúziós mechanizmust fogalmaz meg, amely analitikusan kombinálja a két bizonytalansági forrást. Ez egyetlen skalármértéket eredményez, amely megbízhatóan jelzi a modell kimenetének helyességét. A kutatók szerint ez a módszer felülmúlja a jelenlegi alapvonalakat és állami szintű bizonytalansági kalibrációt ér el.
Kapcsolódó: bizonytalanság-becslés
A FUSE keretrendszer fejlesztése arra irányul, hogy pontosabb és megbízhatóbbá tegye a látási és nyelvi modellek működését. A módszer alkalmazható lesz olyan területeken, ahol a modell kimenetének pontossága kritikus, például az orvosi diagnosztikai rendszerek esetében. A kutatás az arXiv-on, 2026-ban elérhetővé vált.
Kapcsolódó: képfúzió-értékelés