Les chercheurs proposent NeuFS, un cadre d'apprentissage actif few-shot conscient des neurones qui déplace la sélection d'échantillons des proxies de niveau sortie vers la dynamique interne du modèle. La méthode utilise les motifs d'activation neuronale pour représenter les échantillons et emploie une stratégie à double critère pour garantir la diversité et identifier les exemples difficiles sujets à l'hallucination.
- Remplace l'entropie prédictive et les embeddings externes par des motifs d'activation neuronale pour la représentation des échantillons.
- Utilise le consensus neuronal pour prioriser les échantillons few-shot informatifs et difficiles que les LLM ont tendance à halluciner.
- Garantit la diversité des échantillons few-shot grâce aux motifs neuronaux pour une couverture plus large des exemples.
- Surpasse les bases de référence AFSL existantes sur les tâches de raisonnement et de classification de texte sur trois ensembles de données.
Les études d'ablation valident que les activations neuronales internes fournissent un signal de sélection plus fondé que les embeddings externes, confirmant l'efficacité du cadre.