DQ-LoRe-Rahmenwerk

Dieses Framework wurde von der Sun Yat-sen University und der Chinese University of Hong Kong in ihrem Papier entwickelt „DQ-LORE: DOPPELABFRAGE MIT NIEDRIGER RANK-APPROXIMATION UND NEUER RANKING FÜR KONTEXT-LERNEN“Vorgeschlagen in.

In dieser Studie stellte das Team ein Framework vor, das „Dual Query“ (DQ) und niedrigrangige ungefähre Umordnung (Überlieferung)" wählt automatisch kontextbezogene Lernbeispiele aus. Experimente zeigen, dass DQ-LoRe frühere Methoden bei der automatischen Auswahl von GPT-4-Beispielen übertrifft, wobei die Genauigkeit von 92,5% auf 94,2% verbessert wurde, was LLMs einen neuen Weg zur Lösung komplexer Denkprobleme eröffnet. Die umfassende Analyse des Forschungsteams zeigt außerdem, dass DQ-LoRe abrufbasierte Methoden in Bezug auf Leistung und Anpassungsfähigkeit durchweg übertrifft, insbesondere in Szenarien, die durch Verteilungsänderungen gekennzeichnet sind. DQ-LoRe erweitert die Grenzen des situierten Lernens und eröffnet neue Wege zur Lösung komplexer Denkprobleme.