Buchumschlag

Geometric Uncertainty for Detecting and Correcting Hallucinations in LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Phillips, Edward, Wu, Sean, Molaei, Soheila, Belgrave, Danielle, Thakur, Anshul, Clifton, David
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Aggregation on Learnable Manifolds for Asynchronous Federated Optimization
von: Licudi, Archie, et al.
Veröffentlicht: (2025)

Entropy Alone is Insufficient for Safe Selective Prediction in LLMs
von: Phillips, Edward, et al.
Veröffentlicht: (2026)

BAS: A Decision-Theoretic Approach to Evaluating Large Language Model Confidence
von: Wu, Sean, et al.
Veröffentlicht: (2026)

Democratising Clinical AI through Dataset Condensation for Classical Clinical Models
von: Thakur, Anshul, et al.
Veröffentlicht: (2026)

Geometric Characterisation and Structured Trajectory Surrogates for Clinical Dataset Condensation
von: Nganjimi, Pafue Christy, et al.
Veröffentlicht: (2026)

Semantic Self-Distillation for Language Model Uncertainty
von: Phillips, Edward, et al.
Veröffentlicht: (2026)

Improving Clinical Dataset Condensation with Mode Connectivity-based Trajectory Surrogates
von: Nganjimi, Pafue Christy, et al.
Veröffentlicht: (2025)

Efficient Task Grouping Through Samplewise Optimisation Landscape Analysis
von: Thakur, Anshul, et al.
Veröffentlicht: (2024)

Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents
von: Rao, Delip, et al.
Veröffentlicht: (2026)

Pre-Training Multimodal Hallucination Detectors with Corrupted Grounding Data
von: Whitehead, Spencer, et al.
Veröffentlicht: (2024)

A Geometric Taxonomy of Hallucinations in LLMs
von: Marín, Javier
Veröffentlicht: (2026)

Can LLMs Detect Their Own Hallucinations?
von: Kadotani, Sora, et al.
Veröffentlicht: (2025)

INSIDE: LLMs' Internal States Retain the Power of Hallucination Detection
von: Chen, Chao, et al.
Veröffentlicht: (2024)

Uncertainty-Based Abstention in LLMs Improves Safety and Reduces Hallucinations
von: Tomani, Christian, et al.
Veröffentlicht: (2024)

Hallucination Detection with the Internal Layers of LLMs
von: Preiß, Martin
Veröffentlicht: (2025)

Detecting Contextual Hallucinations in LLMs with Frequency-Aware Attention
von: Qi, Siya, et al.
Veröffentlicht: (2026)

Shared Imagination: LLMs Hallucinate Alike
von: Zhou, Yilun, et al.
Veröffentlicht: (2024)

From Out-of-Distribution Detection to Hallucination Detection: A Geometric View
von: Liu, Litian, et al.
Veröffentlicht: (2026)

Semantic Uncertainty Quantification of Hallucinations in LLMs: A Quantum Tensor Network Based Method
von: Vipulanandan, Pragatheeswaran, et al.
Veröffentlicht: (2026)

Enhancing Uncertainty Modeling with Semantic Graph for Hallucination Detection
von: Chen, Kedi, et al.
Veröffentlicht: (2025)

Fine-Grained Detection of Context-Grounded Hallucinations Using LLMs
von: Peisakhovsky, Yehonatan, et al.
Veröffentlicht: (2025)

Pelican: Correcting Hallucination in Vision-LLMs via Claim Decomposition and Program of Thought Verification
von: Sahu, Pritish, et al.
Veröffentlicht: (2024)

Cost-Effective Hallucination Detection for LLMs
von: Valentin, Simon, et al.
Veröffentlicht: (2024)

On the Intrinsic Self-Correction Capability of LLMs: Uncertainty and Latent Concept
von: Liu, Guangliang, et al.
Veröffentlicht: (2024)

The Two Sides of the Coin: Hallucination Generation and Detection with LLMs as Evaluators for LLMs
von: Bui, Anh Thu Maria, et al.
Veröffentlicht: (2024)

Hallucination Detection and Hallucination Mitigation: An Investigation
von: Luo, Junliang, et al.
Veröffentlicht: (2024)

SINdex: Semantic INconsistency Index for Hallucination Detection in LLMs
von: Abdaljalil, Samir, et al.
Veröffentlicht: (2025)

Hallucination Detection in LLMs with Topological Divergence on Attention Graphs
von: Bazarova, Alexandra, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Hallucination Detection in Large Language Models: Foundations, Methodology, and Future Directions
von: Kang, Sungmin, et al.
Veröffentlicht: (2025)

Developing a Reliable, Fast, General-Purpose Hallucination Detection and Mitigation Service
von: Wang, Song, et al.
Veröffentlicht: (2024)

RiskAgent: Synergizing Language Models with Validated Tools for Evidence-Based Risk Prediction
von: Liu, Fenglin, et al.
Veröffentlicht: (2025)

D$^2$HScore: Reasoning-Aware Hallucination Detection via Semantic Breadth and Depth Analysis in LLMs
von: Ding, Yue, et al.
Veröffentlicht: (2025)

Can LLMs Detect Intrinsic Hallucinations in Paraphrasing and Machine Translation?
von: Gogoulou, Evangelia, et al.
Veröffentlicht: (2025)

Graphing the Truth: Structured Visualizations for Automated Hallucination Detection in LLMs
von: Agrawal, Tanmay
Veröffentlicht: (2025)

Medico: Towards Hallucination Detection and Correction with Multi-source Evidence Fusion
von: Zhao, Xinping, et al.
Veröffentlicht: (2024)

Facet-Level Tracing of Evidence Uncertainty and Hallucination in RAG
von: Elchafei, Passant, et al.
Veröffentlicht: (2026)

Can Knowledge Editing Really Correct Hallucinations?
von: Huang, Baixiang, et al.
Veröffentlicht: (2024)

The Illusion of Progress: Re-evaluating Hallucination Detection in LLMs
von: Janiak, Denis, et al.
Veröffentlicht: (2025)

Lie to Me: Knowledge Graphs for Robust Hallucination Self-Detection in LLMs
von: Kale, Sahil, et al.
Veröffentlicht: (2025)

DSC2025 -- ViHallu Challenge: Detecting Hallucination in Vietnamese LLMs
von: Nguyen, Anh Thi-Hoang, et al.
Veröffentlicht: (2026)