ИССЛЕДОВАНИЕ · RESEARCH · #2539
ELBP: архитектура для SLM улучшает локальное прогнозирование поведения (arXiv:2610.32193v1)
Этот препринт на arXiv представляет ELBP — четырёхслойную архитектуру, объединяющую детерминированную обработку событий, двухпросмотровое представление поведения, предсказание на SLM и проверку доказательств с воздержанием для прогнозирования будущего запроса помощи по событиям взаимодействия. В экспериментах с инструкционно-настроенными моделями ≤3B параметров Qwen2.5-3B с ELBP показала F1 0.80 и PR-AUC 0.84 (около +15.9% относительно raw-event prompting и +17.6% относительно XGBoost) и значительно снизила ECE; при проверке доказательств селективное предсказание достигло F1 0.84 при покрытии 91% и 96% подтверждения доказательствами.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Этот препринт на arXiv представляет ELBP — четырёхслойную архитектуру, объединяющую детерминированную обработку событий, двухпросмотровое представление поведения, предсказание на SLM и проверку доказательств с воздержанием для прогнозирования будущего запроса помощи по событиям взаимодействия.
- В экспериментах с инструкционно-настроенными моделями ≤3B параметров Qwen2.5-3B с ELBP показала F1 0.80 и PR-AUC 0.84 (около +15.9% относительно raw-event prompting и +17.6% относительно XGBoost) и значительно снизила ECE; при проверке доказательств селективное предсказание достигло F1 0.84 при покрытии 91% и 96% подтверждения доказательствами.
- Показывает, что структурированные представления поведения и проверка доказательств повышают надёжность и калибровку малых моделей для приватного локального предсказания потребности в помощи.
ПОЧЕМУ ЭТО ВАЖНО
Показывает, что структурированные представления поведения и проверка доказательств повышают надёжность и калибровку малых моделей для приватного локального предсказания потребности в помощи.