लेखकों ने डेटा-एडेप्टिव लोअर-रैंक एडाप्टेसन (DALorRA) का प्रस्ताव रखा है, जो एक वेरिएशनल बेयसियन स्पार्स फ्रेमवर्क है जिसे कार्य-विशिष्ट फाइन-ट्यूनिंग के दौरान बड़े भाषा मॉडलों में अतिआत्मविश्वास की समस्या को हल करने के लिए डिज़ाइन किया गया है। यह विधि अनिश्चितता मात्रा को घनत्व वाले पैरामीटर स्थान से कम रैंक एडाप्टेसन (LoRA) के हल्के रैंक स्तर पर स्थानांतरित कर देता है। रैंक आयामों पर स्टोकास्टिक मास्किंग लगाकर, DALorRA प्रशिक्षण के दौरान मॉडल क्षमता के लिए बेयसियन रेगुलराइजेशन सक्षम बनाता है और निष्कर्षण के दौरान एन्सेंबल-जैसी कैलिब्रेशन प्रदान करता है।
विस्तृत प्रयोगों से पता चलता है कि DALorRA तर्क की सटीकता को बिना खराब किए LLMs के लिए उत्कृष्ट कैलिब्रेशन प्राप्त करता है।