ترجمه فارسی مقاله درک دانش در LLM از طریق اطلاعات نادرست

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Understanding Knowledge Drift in LLMs through Misinformation
عنوان مقاله به فارسی درک دانش در LLM از طریق اطلاعات نادرست
نویسندگان Alina Fastowski, Gjergji Kasneci
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 13 pages, 3 figures. Accepted at DELTA workshop at KDD 2024
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 13 صفحه ، 3 شکل.پذیرفته شده در کارگاه Delta در KDD 2024
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Large Language Models (LLMs) have revolutionized numerous applications, making them an integral part of our digital ecosystem. However, their reliability becomes critical, especially when these models are exposed to misinformation. We primarily analyze the susceptibility of state-of-the-art LLMs to factual inaccuracies when they encounter false information in a QnA scenario, an issue that can lead to a phenomenon we refer to as *knowledge drift*, which significantly undermines the trustworthiness of these models. We evaluate the factuality and the uncertainty of the models' responses relying on Entropy, Perplexity, and Token Probability metrics. Our experiments reveal that an LLM's uncertainty can increase up to 56.6% when the question is answered incorrectly due to the exposure to false information. At the same time, repeated exposure to the same false information can decrease the models uncertainty again (-52.8% w.r.t. the answers on the untainted prompts), potentially manipulating the underlying model's beliefs and introducing a drift from its original knowledge. These findings provide insights into LLMs' robustness and vulnerability to adversarial inputs, paving the way for developing more reliable LLM applications across various domains. The code is available at https://github.com/afastowski/knowledge_drift.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLMS) چندین کاربردی را متحول کرده اند و آنها را به بخشی جدایی ناپذیر از اکوسیستم دیجیتال ما تبدیل کرده است.با این حال ، قابلیت اطمینان آنها بسیار مهم می شود ، به ویژه هنگامی که این مدل ها در معرض اطلاعات غلط قرار می گیرند.ما در درجه اول حساسیت LLM های پیشرفته را به نادرستی واقعی در هنگام مواجهه با اطلاعات دروغین در یک سناریوی QNA ، تجزیه و تحلیل می کنیم ، موضوعی که می تواند به پدیده ای منجر شود که ما از آن به عنوان *دانش به عنوان *دانش استفاده می کنیم ، که به طور قابل توجهی اعتماد به نفس را تضعیف می کنداین مدل هاما واقعیت و عدم اطمینان پاسخ مدل ها را با تکیه بر آنتروپی ، دفع و معیارهای احتمال نشان می دهیم.آزمایشات ما نشان می دهد که عدم اطمینان یک LLM می تواند تا 56.6 ٪ افزایش یابد وقتی که به دلیل قرار گرفتن در معرض اطلاعات نادرست به این سوال پاسخ نادرست پاسخ داده می شود.در عین حال ، قرار گرفتن در معرض مکرر با همان اطلاعات دروغین می تواند دوباره عدم اطمینان مدل ها را کاهش دهد (-52.8 ٪ W.R.T. پاسخ های مربوط به اعلان های بدون رنگ) ، به طور بالقوه دستکاری اعتقادات مدل اساسی و معرفی یک رانش از دانش اصلی آن.این یافته ها بینش هایی در مورد استحکام و آسیب پذیری LLMS در برابر ورودی های مخالف ارائه می دهد و راه را برای توسعه برنامه های قابل اطمینان تر LLM در حوزه های مختلف هموار می کند.کد در https://github.com/afastowski/nownledge_drift در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.