Para penulis mengusulkan Adaptasi Rank-Bawah Adaptif-Data (DALorRA), sebuah kerangka kerja jarang variatif Bayesian yang dirancang untuk mengatasi masalah overconfidence pada model bahasa besar selama penyetelan khusus tugas. Metode ini menggeser kuantifikasi ketidakpastian dari ruang parameter padat ke tingkat rank ringan dari adaptasi rank-rendah (LoRA). Dengan menerapkan maskering stokastik pada dimensi rank, DALorRA memungkinkan regularisasi Bayesian kapasitas model selama pelatihan dan memberikan kalibrasi seperti ensemble selama inferensi.
Eksperimen ekstensif menunjukkan bahwa DALorRA mencapai kalibrasi yang sangat baik untuk LLM tanpa mengorbankan akurasi penalaran mereka.