研究人员提出了 NeuFS，一种感知神经元的主动式少样本学习框架，将样本选择从输出级代理转移到内部模型动态。该方法利用神经元激活模式来表示样本，并采用双标准策略以确保多样性并识别容易幻觉的挑战性示例。
- 用神经元激活模式替换预测熵和外部嵌入以表示样本。
- 使用神经元共识来优先处理 LLM 倾向于产生幻觉的信息丰富且具有挑战性的少样本示例。
- 通过神经元模式确保少样本示例的多样性，从而覆盖更广泛的示例。
- 在三个数据集上的推理和文本分类任务中，优于现有的 AFSL 基线方法。
消融研究证实，内部神经元激活比外部嵌入提供更 principled（有原则/合理）的选择信号，验证了该框架的有效性。