Buchumschlag

PFME: A Modular Approach for Fine-grained Hallucination Detection and Editing of Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Deng, Kunquan, Huang, Zeyu, Li, Chen, Lin, Chenghua, Gao, Min, Rong, Wenge
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

ZINA: Multimodal Fine-grained Hallucination Detection and Editing
von: Wada, Yuiga, et al.
Veröffentlicht: (2025)

Bi-directional Bias Attribution: Debiasing Large Language Models without Modifying Prompts
von: Lin, Yujie, et al.
Veröffentlicht: (2026)

Hal-Eval: A Universal and Fine-grained Hallucination Evaluation Framework for Large Vision Language Models
von: Jiang, Chaoya, et al.
Veröffentlicht: (2024)

FRED: Financial Retrieval-Enhanced Detection and Editing of Hallucinations in Language Models
von: Tan, Likun, et al.
Veröffentlicht: (2025)

An Open Source Data Contamination Report for Large Language Models
von: Li, Yucheng, et al.
Veröffentlicht: (2023)

Disentangling Preference Representation and Text Generation for Efficient Individual Preference Alignment
von: Zhang, Jianfei, et al.
Veröffentlicht: (2024)

Coarse-to-Fine Highlighting: Reducing Knowledge Hallucination in Large Language Models
von: Lv, Qitan, et al.
Veröffentlicht: (2024)

Fine-grained Stateful Knowledge Exploration: Effective and Efficient Graph Retrieval with Large Language Models
von: Tao, Dehao, et al.
Veröffentlicht: (2024)

Noise Augmented Fine Tuning for Mitigating Hallucinations in Large Language Models
von: Khadangi, Afshin, et al.
Veröffentlicht: (2025)

Evaluating Large Language Models for Generalization and Robustness via Data Compression
von: Li, Yucheng, et al.
Veröffentlicht: (2024)

FALCON: Fine-grained Activation Manipulation by Contrastive Orthogonal Unalignment for Large Language Model
von: Hu, Jinwei, et al.
Veröffentlicht: (2025)

Scalable Token-Level Hallucination Detection in Large Language Models
von: Min, Rui, et al.
Veröffentlicht: (2026)

Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning
von: Wang, Kaipeng, et al.
Veröffentlicht: (2024)

Credal Transformer: A Principled Approach for Quantifying and Mitigating Hallucinations in Large Language Models
von: Ji, Shihao, et al.
Veröffentlicht: (2025)

ANAH: Analytical Annotation of Hallucinations in Large Language Models
von: Ji, Ziwei, et al.
Veröffentlicht: (2024)

Delta -- Contrastive Decoding Mitigates Text Hallucinations in Large Language Models
von: Huang, Cheng Peng, et al.
Veröffentlicht: (2025)

Hallucination Detection: Robustly Discerning Reliable Answers in Large Language Models
von: Chen, Yuyan, et al.
Veröffentlicht: (2024)

Fine-grained Hallucination Detection and Editing for Language Models
von: Mishra, Abhika, et al.
Veröffentlicht: (2024)

Reference-free Hallucination Detection for Large Vision-Language Models
von: Li, Qing, et al.
Veröffentlicht: (2024)

Neural Probe-Based Hallucination Detection for Large Language Models
von: Liang, Shize, et al.
Veröffentlicht: (2025)

Counterfactual Probing for Hallucination Detection and Mitigation in Large Language Models
von: Feng, Yijun
Veröffentlicht: (2025)

Observing Micromotives and Macrobehavior of Large Language Models
von: Cheng, Yuyang, et al.
Veröffentlicht: (2024)

TruthX: Alleviating Hallucinations by Editing Large Language Models in Truthful Space
von: Zhang, Shaolei, et al.
Veröffentlicht: (2024)

ChartHal: A Fine-grained Framework Evaluating Hallucination of Large Vision Language Models in Chart Understanding
von: Wang, Xingqi, et al.
Veröffentlicht: (2025)

CogAtom: From Cognitive Atoms to Olympiad-level Mathematical Reasoning in Large Language Models
von: Chen, Zhuofan, et al.
Veröffentlicht: (2025)

Alleviating Hallucinations of Large Language Models through Induced Hallucinations
von: Zhang, Yue, et al.
Veröffentlicht: (2023)

Beyond Fine-Tuning: Effective Strategies for Mitigating Hallucinations in Large Language Models for Data Analytics
von: Rumiantsau, Mikhail, et al.
Veröffentlicht: (2024)

Attention-guided Self-reflection for Zero-shot Hallucination Detection in Large Language Models
von: Liu, Qiang, et al.
Veröffentlicht: (2025)

HalluSAE: Detecting Hallucinations in Large Language Models via Sparse Auto-Encoders
von: Chen, Boshui, et al.
Veröffentlicht: (2026)

HalluVerse25: Fine-grained Multilingual Benchmark Dataset for LLM Hallucinations
von: Abdaljalil, Samir, et al.
Veröffentlicht: (2025)

Hallucination Detection with Small Language Models
von: Cheung, Ming
Veröffentlicht: (2025)

Aligning Large Language Models via Fine-grained Supervision
von: Xu, Dehong, et al.
Veröffentlicht: (2024)

LatestEval: Addressing Data Contamination in Language Model Evaluation through Dynamic and Time-Sensitive Test Construction
von: Li, Yucheng, et al.
Veröffentlicht: (2023)

ANAH-v2: Scaling Analytical Hallucination Annotation of Large Language Models
von: Gu, Yuzhe, et al.
Veröffentlicht: (2024)

Tougher Text, Smarter Models: Raising the Bar for Adversarial Defence Benchmarks
von: Wang, Yang, et al.
Veröffentlicht: (2025)

Fennec: Fine-grained Language Model Evaluation and Correction Extended through Branching and Bridging
von: Liang, Xiaobo, et al.
Veröffentlicht: (2024)

Knowledge Editing for Large Language Models: A Survey
von: Wang, Song, et al.
Veröffentlicht: (2023)

Detecting and Mitigating Hallucination in Large Vision Language Models via Fine-Grained AI Feedback
von: Xiao, Wenyi, et al.
Veröffentlicht: (2024)

A Novel Approach to Eliminating Hallucinations in Large Language Model-Assisted Causal Discovery
von: Sng, Grace, et al.
Veröffentlicht: (2024)

An Evolutionary Large Language Model for Hallucination Mitigation
von: Boulesnane, Abdennour, et al.
Veröffentlicht: (2024)