Buchumschlag

Fine-Grained Uncertainty Decomposition in Large Language Models: A Spectral Approach

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Walha, Nassim, Gruber, Sebastian G., Decker, Thomas, Yang, Yinchong, Javanmardi, Alireza, Hüllermeier, Eyke, Buettner, Florian
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

From Entropy to Calibrated Uncertainty: Training Language Models to Reason About Uncertainty
von: Jenane, Azza, et al.
Veröffentlicht: (2026)

Conformalized Credal Set Predictors
von: Javanmardi, Alireza, et al.
Veröffentlicht: (2024)

A Bias-Variance-Covariance Decomposition of Kernel Scores for Generative Models
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2023)

Better Uncertainty Calibration via Proper Scores for Classification and Beyond
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2022)

Conformal Prediction in Hierarchical Classification with Constrained Representation Complexity
von: Mortier, Thomas, et al.
Veröffentlicht: (2025)

Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization
von: Ansari, Navid, et al.
Veröffentlicht: (2023)

Improving Perturbation-based Explanations by Understanding the Role of Uncertainty Calibration
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Why Uncertainty Calibration Matters for Reliable Perturbation-based Explanations
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Linear Opinion Pooling for Uncertainty Quantification on Graphs
von: Damke, Clemens, et al.
Veröffentlicht: (2024)

Aleatoric and Epistemic Uncertainty Measures for Ordinal Classification through Binary Reduction
von: Haas, Stefan, et al.
Veröffentlicht: (2025)

CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks
von: Damke, Clemens, et al.
Veröffentlicht: (2024)

Optimal Conformal Prediction under Epistemic Uncertainty
von: Javanmardi, Alireza, et al.
Veröffentlicht: (2025)

Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules
von: Hofman, Paul, et al.
Veröffentlicht: (2024)

Uncertainty Quantification with Proper Scoring Rules: Adjusting Measures to Prediction Tasks
von: Hofman, Paul, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Machine Learning: One Size Does Not Fit All
von: Hofman, Paul, et al.
Veröffentlicht: (2025)

Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention
von: Koebler, Alexander, et al.
Veröffentlicht: (2025)

Distribution Matching for Graph Quantification Under Structural Covariate Shift
von: Damke, Clemens, et al.
Veröffentlicht: (2025)

Adjusted Count Quantification Learning on Graphs
von: Damke, Clemens, et al.
Veröffentlicht: (2025)

Mitigating Label Noise through Data Ambiguation
von: Lienen, Julian, et al.
Veröffentlicht: (2023)

Second-Order Uncertainty Quantification: Variance-Based Measures
von: Sale, Yusuf, et al.
Veröffentlicht: (2023)

Uncertainty Quantification for Regression: A Unified Framework based on kernel scores
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Disentangling Mean Embeddings for Better Diagnostics of Image Generators
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2024)

Random Forest Calibration
von: Shaker, Mohammad Hossein, et al.
Veröffentlicht: (2025)

Label-wise Aleatoric and Epistemic Uncertainty Quantification
von: Sale, Yusuf, et al.
Veröffentlicht: (2024)

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations
von: Sokol, Kacper, et al.
Veröffentlicht: (2025)

Is Epistemic Uncertainty Faithfully Represented by Evidential Deep Learning Methods?
von: Jürgens, Mira, et al.
Veröffentlicht: (2024)

Federated Continual Learning Goes Online: Uncertainty-Aware Memory Management for Vision Tasks and Beyond
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

ResponseRank: Data-Efficient Reward Modeling through Preference Strength Learning
von: Kaufmann, Timo, et al.
Veröffentlicht: (2025)

MoRE-LLM: Mixture of Rule Experts Guided by a Large Language Model
von: Koebler, Alexander, et al.
Veröffentlicht: (2025)

Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance
von: Decker, Thomas, et al.
Veröffentlicht: (2024)

An Axiomatic Assessment of Entropy- and Variance-based Uncertainty Quantification in Regression
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Antithetic Sampling for Top-k Shapley Identification
von: Kolpaczki, Patrick, et al.
Veröffentlicht: (2025)

Reliable Part-of-Speech Tagging of Historical Corpora through Set-Valued Prediction
von: Heid, Stefan, et al.
Veröffentlicht: (2020)

Pairwise Difference Learning for Classification
von: Belaid, Mohamed Karim, et al.
Veröffentlicht: (2024)

ObfuscaTune: Obfuscated Offsite Fine-tuning and Inference of Proprietary LLMs on Private Datasets
von: Frikha, Ahmed, et al.
Veröffentlicht: (2024)

OCALM: Object-Centric Assessment with Language Models
von: Kaufmann, Timo, et al.
Veröffentlicht: (2024)

Shapley Value Approximation Based on k-Additive Games
von: Pelegrina, Guilherme Dean, et al.
Veröffentlicht: (2025)

Unification and Optimization of Robust Supervised Learning
von: Hanselle, Jonas, et al.
Veröffentlicht: (2026)

Credal Prediction based on Relative Likelihood
von: Löhr, Timo, et al.
Veröffentlicht: (2025)

Beyond TreeSHAP: Efficient Computation of Any-Order Shapley Interactions for Tree Ensembles
von: Muschalik, Maximilian, et al.
Veröffentlicht: (2024)