LOTUS用低秩多线性分解提取LLM隐藏状态特征来检测幻觉。
资讯摘要
论文提出LOTUS（Low-rank Order-statistic TUcker-based Subspace learning），一种用于幻觉检测的多线性低秩分解框架。该方法先用统计描述子概括变长token表示，捕捉峰值激活、激活分布与跨层变化，再通过低秩多线性分解从LLM隐藏状态中提取紧凑表示，用于训练轻量级幻觉分类器，并降低对标注数据的依赖。作者报告在多个LLM与问答基准上，检测表现优于近期最先进基线。
要点速读
- 论文提出LOTUS框架，用统计描述子概括token表示，并以低秩多线性分解提取隐藏状态的紧凑表示。
- 方法训练轻量级幻觉分类器，目标是减少对标注数据的依赖。
- 作者报告在多个LLM和问答基准上优于近期最先进基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。