Pesquisadores propõem o NeuFS, um framework de Aprendizado Ativo com Poucos Exemplos Consciente de Neurônios que desloca a seleção de amostras de proxies em nível de saída para dinâmicas internas do modelo. O método utiliza padrões de ativação de neurônios para representar amostras e emprega uma estratégia de dupla critério para garantir diversidade e identificar exemplos desafiadores propensos a alucinações.
- Substitui entropia preditiva e embeddings externos por padrões de ativação de neurônios para representação de amostras.
- Usa consenso de neurônios para priorizar amostras com poucos exemplos informativas e desafiadoras que LLMs tendem a alucinar.
- Garante diversidade de amostras com poucos exemplos através de padrões de neurônios para uma cobertura mais ampla de exemplos.
- Supera as linhas de base AFSL existentes em tarefas de raciocínio e classificação de texto em três conjuntos de dados.
Estudos de ablação validam que as ativações de neurônios internos fornecem um sinal de seleção mais fundamentado do que embeddings externos, confirmando a eficácia do framework.