Pengesanan Halusinasi — Pemeriksaan Konsistensi Faktual untuk Output LLM
Pengesanan halusinasi ialah saluran pemrosesan bahasa semula jadi yang mengukur sama ada output model bahasa konsisten dengan dokumen sumber rujukan atau dengan fakta yang boleh diverifikasi. Diformalisasikan sebagai tugasan penilaian kesetiaan oleh Maynez et al. (2020) dan diperluas kepada tetapan kotak hitam sumber sifar oleh Manakul et al. (2023) dengan SelfCheckGPT, pendekatan ini digunakan untuk menandai output LLM yang tidak boleh dipercayai dalam domain berisiko tinggi seperti perubatan, undang-undang, dan kewartawanan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Maynez, J., Narayan, S., Bohnet, B., & McDonald, R. (2020). On Faithfulness and Factuality in Abstractive Summarization. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), 1906-1919. link ↗
- Manakul, P., Liusie, A., & Gales, M.J.F. (2023). SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP), 9004-9017. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Hallucination Detection (Factual Consistency). ScholarGate. https://scholargate.app/ms/text-mining/hallucination-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Sematik BERTPerlombongan Teks↔ compare
- Pengecaman Entiti Bernama (NER)Perlombongan Teks↔ compare
- Penjanaan Jawapan (QA)Perlombongan Teks↔ compare
- Analisis SentimenPerlombongan Teks↔ compare
- Klasifikasi TeksPerlombongan Teks↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →