方向性浓度不确定性：面向生成模型的表示方法不确定性量化框架
机器学习
2026-02-17 v1 人工智能
计算与语言
摘要
在评估生成模型可信度和鲁棒性方面，不确定性量化（UQ）方法正在展现出积极潜力。然而，这些方法依赖刚性启发式，难以在不同任务和模态之间推广。我们提出一种新型UQ框架，具有高度灵活性，可实现或超越先前启发式方法的性能。我们引入方向性浓度不确定性（DCU），这是一种基于von Mises-Fisher（vMF）分布的嵌入浓度量化统计程序。我们的 method 通过测量语言模型生成多个输出在连续嵌入空间中的几何离散来捕捉不确定性，无需任何任务特定的启发式。在实验中，我们表明DCU在校准水平上与语义熵（Kuhn 等，2023）相匹配或更好，并在更复杂的多模态任务中表现出良好推广性。我们展示了DCU的更广泛潜力及其在多模态和智能体框架中集成的意义。
引用
@article{arxiv.2602.13264,
title = {Directional Concentration Uncertainty: A representational approach to uncertainty quantification for generative models},
author = {Souradeep Chattopadhyay and Brendan Kennedy and Sai Munikoti and Soumik Sarkar and Karl Pazdernik},
journal= {arXiv preprint arXiv:2602.13264},
year = {2026}
}