शोधकर्ताओं ने NeuFS प्रस्तावित किया, एक न्यूरॉन-अवेयर एक्टिव फ्यू-शॉट लर्निंग फ्रेमवर्क जो सैंपल चयन को आउटपुट-लेवल प्रॉक्सी से आंतरिक मॉडल गतिशीलता में स्थानांतरित करता है। विधि सैंपल का प्रतिनिधित्व करने के लिए न्यूरॉन सक्रियण पैटर्न का उपयोग करती है और विविधता सुनिश्चित करने और हैलुसिनेशन की ओर झुके चुनौतीपूर्ण उदाहरणों की पहचान करने के लिए डुअल-क्राइटेरिया रणनीति का उपयोग करती है।
- सैंपल प्रतिनिधित्व के लिए पूर्वानुमानित एन्ट्रापी और बाहरी एम्बेडिंग्स को न्यूरॉन सक्रियण पैटर्न से बदलता है।
- उन सूचनात्मक और चुनौतीपूर्ण फ्यू-शॉट सैंपल्स को प्राथमिकता देने के लिए न्यूरॉन सहमति का उपयोग करता है जिन्हें LLM हैलुसिनेट करने की प्रवृत्ति रखते हैं।
- विस्तृत उदाहरण कवरेज के लिए न्यूरॉन पैटर्न के माध्यम से फ्यू-शॉट सैंपल विविधता सुनिश्चित करता है।
- तीन डेटासेट पर तर्क और पाठ वर्गीकरण कार्यों में मौजूदा AFSL बेलाइन से बेहतर प्रदर्शन करता है।
अबलेशन अध्ययन सत्यापित करते हैं कि आंतरिक न्यूरॉन सक्रियण बाहरी एम्बेडिंग्स की तुलना में अधिक सिद्धांत-आधारित चयन संकेत प्रदान करते हैं, जो फ्रेमवर्क की प्रभावशीलता की पुष्टि करते हैं।