Los investigadores proponen NeuFS, un marco de Aprendizaje Activo con Pocos Ejemplos Consciente de Neuronas que desplaza la selección de muestras de proxies a nivel de salida hacia dinámicas internas del modelo. El método utiliza patrones de activación de neuronas para representar muestras y emplea una estrategia de doble criterio para garantizar diversidad e identificar ejemplos desafiantes propensos a alucinaciones.
- Reemplaza la entropía predictiva y las incrustaciones externas con patrones de activación de neuronas para la representación de muestras.
- Utiliza el consenso de neuronas para priorizar muestras con pocos ejemplos informativas y desafiantes que los LLM tienden a alucinar.
- Garantiza la diversidad de muestras con pocos ejemplos a través de patrones de neuronas para una cobertura más amplia de ejemplos.
- Supera las líneas base AFSL existentes en tareas de razonamiento y clasificación de texto en tres conjuntos de datos.
Los estudios de ablación validan que las activaciones de neuronas internas proporcionan una señal de selección más fundamentada que las incrustaciones externas, confirmando la efectividad del marco.