保障可靠性：增强基础模型上下文学习的简要综述
机器学习
2024-02-28 v1
摘要
随着基础模型 (FMs) 持续塑造人工智能的格局，上下文学习 (ICL) 范式蓬勃发展，但也面临着毒性、幻觉、差异、对抗性脆弱性和不一致性等问题。确保基础模型的可靠性和责任感对于人工智能生态系统的可持续发展至关重要。在这篇简明的综述中，我们调查了在 ICL 框架内增强基础模型可靠性和可信度的最新进展，重点关注四种关键方法及其相应的子目标。我们诚挚希望本文能为致力于构建安全可靠的基础模型并培育稳定一致的 ICL 环境的研究人员和从业者提供有价值的见解，从而释放其巨大潜力。
引用
@article{arxiv.2402.17671,
title = {Securing Reliability: A Brief Overview on Enhancing In-Context Learning for Foundation Models},
author = {Yunpeng Huang and Yaonan Gu and Jingwei Xu and Zhihong Zhu and Zhaorun Chen and Xiaoxing Ma},
journal= {arXiv preprint arXiv:2402.17671},
year = {2024}
}
备注
18 pages, 15 figures