Buchumschlag

SELFDOUBT: Uncertainty Quantification for Reasoning LLMs via the Hedge-to-Verify Ratio

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pandey, Satwik, Raghu, Suresh, Pandey, Shashwat
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Proper Scoring Rules for Agentic Uncertainty Quantification
von: Raghu, Suresh, et al.
Veröffentlicht: (2026)

Don't Blink: Evidence Collapse during Multimodal Reasoning
von: Raghu, Suresh, et al.
Veröffentlicht: (2026)

Beyond the Answer: Decoding the Behavior of LLMs as Scientific Reasoners
von: Pandey, Rohan, et al.
Veröffentlicht: (2026)

LLMs Uncertainty Quantification via Adaptive Conformal Semantic Entropy
von: Karimi, Hamed, et al.
Veröffentlicht: (2026)

MAQA: Evaluating Uncertainty Quantification in LLMs Regarding Data Uncertainty
von: Yang, Yongjin, et al.
Veröffentlicht: (2024)

CSS: Contrastive Semantic Similarity for Uncertainty Quantification of LLMs
von: Ao, Shuang, et al.
Veröffentlicht: (2024)

KV Cache Recycling to Expand Usable Context Capacity in Low Parameter LLMs
von: Pandey, Prashant
Veröffentlicht: (2025)

Emotion-Coherent Reasoning for Multimodal LLMs via Emotional Rationale Verifier
von: Rha, Hyeongseop, et al.
Veröffentlicht: (2025)

Incentivizing Consistent, Effective and Scalable Reasoning Capability in Audio LLMs via Reasoning Process Rewards
von: Fan, Jiajun, et al.
Veröffentlicht: (2025)

Can LLMs Introspect? A Reality Check
von: Singh, Shashwat, et al.
Veröffentlicht: (2026)

Logic-Regularized Verifier Elicits Reasoning from LLMs
von: Wang, Xinyu, et al.
Veröffentlicht: (2026)

ThinkSwitch: Context Distillation with LoRA and Weight Interpolation for Specific-Purpose Reasoning Tasks
von: Saini, Dhruv, et al.
Veröffentlicht: (2026)

PowerChain: A Verifiable Agentic AI System for Automating Distribution Grid Analyses
von: Badmus, Emmanuel O., et al.
Veröffentlicht: (2025)

Evaluating Agentic AI in the Wild: Failure Modes, Drift Patterns, and a Production Evaluation Framework
von: Pandey, Mukund
Veröffentlicht: (2026)

Uncertainty Quantification via Stable Distribution Propagation
von: Petersen, Felix, et al.
Veröffentlicht: (2024)

Agentic Uncertainty Quantification
von: Zhang, Jiaxin, et al.
Veröffentlicht: (2026)

HERMES: Towards Efficient and Verifiable Mathematical Reasoning in LLMs
von: Ospanov, Azim, et al.
Veröffentlicht: (2025)

Mind the Ambiguity: Aleatoric Uncertainty Quantification in LLMs for Safe Medical Question Answering
von: Liu, Yaokun, et al.
Veröffentlicht: (2026)

From Solving to Verifying: A Unified Objective for Robust Reasoning in LLMs
von: Wang, Xiaoxuan, et al.
Veröffentlicht: (2025)

Training LLMs to Recognize Hedges in Spontaneous Narratives
von: Paige, Amie J., et al.
Veröffentlicht: (2024)

Escaping the Verifier: Learning to Reason via Demonstrations
von: Cai, Locke, et al.
Veröffentlicht: (2025)

Hecto: Modular Sparse Experts for Adaptive and Interpretable Reasoning
von: Pandey, Sanskar, et al.
Veröffentlicht: (2025)

Localizing Input Uncertainty Quantification for Large Language Models via Shapley Values
von: Lee, Seongjun, et al.
Veröffentlicht: (2026)

REMODEL-LLM: Transforming C code to Java using LLMs
von: Gupta, Aryan, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in the Tsetlin Machine
von: Helin, Runar, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in SVM prediction
von: Anand, Pritam
Veröffentlicht: (2025)

Reinforcement Learning with Verifiable Rewards Implicitly Incentivizes Correct Reasoning in Base LLMs
von: Wen, Xumeng, et al.
Veröffentlicht: (2025)

Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach
von: Gharsallaoui, Mohammed Amine, et al.
Veröffentlicht: (2024)

Zero-Direction Probing: A Linear-Algebraic Framework for Deep Analysis of Large-Language-Model Drift
von: Pandey, Amit
Veröffentlicht: (2025)

Calibrating Uncertainty Quantification of Multi-Modal LLMs using Grounding
von: Padhi, Trilok, et al.
Veröffentlicht: (2025)

Verifiable Process Rewards for Agentic Reasoning
von: Yuan, Huining, et al.
Veröffentlicht: (2026)

The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs
von: Sinha, Akshit, et al.
Veröffentlicht: (2025)

VerifyBench: A Systematic Benchmark for Evaluating Reasoning Verifiers Across Domains
von: Li, Xuzhao, et al.
Veröffentlicht: (2025)

Time Series Reasoning via Process-Verifiable Thinking Data Synthesis and Scheduling for Tailored LLM Reasoning
von: Zhou, Jiahui, et al.
Veröffentlicht: (2026)

Examining Reasoning LLMs-as-Judges in Non-Verifiable LLM Post-Training
von: Liu, Yixin, et al.
Veröffentlicht: (2026)

The Role of Ambiguity in Error Prediction via Uncertainty Quantification
von: Staliūnaitė, Ieva Raminta, et al.
Veröffentlicht: (2026)

UbiQTree: Uncertainty Quantification in XAI with Tree Ensembles
von: Dubey, Akshat, et al.
Veröffentlicht: (2025)

Verifying Large Language Models' Reasoning Paths via Correlation Matrix Rank
von: Liu, Jiayu, et al.
Veröffentlicht: (2025)

Seeing and Reasoning with Confidence: Supercharging Multimodal LLMs with an Uncertainty-Aware Agentic Framework
von: Zhi, Zhuo, et al.
Veröffentlicht: (2025)

Credal Ensemble Distillation for Uncertainty Quantification
von: Wang, Kaizheng, et al.
Veröffentlicht: (2025)