RSAJEV: Training-Free Abstaining Prototype Memory for Eliminating Silent Hallucination in JEV-Based Remote Sensing Classification
Aggiunta all'archivio di AIChronos il (numero del 11 ottobre 2026 ricostruito)· fonte del · Man Chen, Antai Chen, Shuai Xu, Chengjie Gu, Huaping Zhou, Kelei Sun
Lo studio introduce RSAJEV, un meccanismo di memoria dei prototipi che opera senza addestramento per eliminare le 'silent hallucinations' nei modelli linguistici multimodali (MLLM) applicati alla classificazione da telerilevamento. Il metodo sostituisce il tradizionale head del linguaggio con una strategia di recupero basato sui vicini più prossimi tra immagini di riferimento cached, corredata da una correzione geometrica shrinkage-Mahalanobis. Questo approccio garantisce un'accuratezza superiore su dataset cross-dataset e ripristina la calibrabilità della confidenza durante l'open-set evaluation senza richiedere aggiornamenti dei gradienti o costi aggiuntivi all'inferenza.
- RSAJEV è una soluzione training-free che trasforma il processo di classificazione in un problema di retrieval-based nearest-neighbor matching su prototipi cached.
- Il metodo supera la 'silent hallucination', dove i modelli assegnano alta confidenza a classi non viste, raggiungendo AUROC superiori rispetto alle metriche simboliche tradizionali.
- L'architettura è meccanicamente isomorfa al Retrieval-Augmented Generation (RAG) ma applicata specificamente per decisioni discriminative su slot representations.
- Supporta dinamicamente l'aggiunta o rimozione di classi con zero costo aggiuntivo all'inferenza tramite rescoring offline della matrice cached.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti, RSAJEV offre una via pratica per mitigare le alucinazioni in scenari out-of-vocabulary senza il sovraccarico computazionale del fine-tuning o dell'addestramento da zero. È particolarmente rilevante per implementazioni di AI locale dove la gestione affidabile delle classi non presenti nel vocabolario iniziale è critica.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.