- 一种统一的框架用于整合 LLMs、知识图谱和可控扩散模型的一致性图像生成（PCIG）
通过引入一种基于扩散的新框架，本研究解决了现有文本生成图像模型在生成图像时与输入文本不一致的问题，通过对不一致现象进行细致分析和分类，并利用先进的语言模型提取对象、构建知识图谱，结合图像生成模型进行了准确一致的图像生成实验。
- 神经网络特征评估中的不一致问题探究
近年来，神经网络展示出了从原始数据中识别复杂模式和关系的卓越能力。然而，理解这些黑盒模型的内部机制仍具挑战性，但对于高风险决策至关重要。我们的研究通过调查解释的基本和分布行为来解决这种困惑。此外，通过全面的模拟研究，我们展示了常见缩放和编码 - CheckEval: 通过检查清单使用大型语言模型进行鲁棒评估框架
CheckEval 是一个使用大型语言模型的新型评估框架，通过将评估标准细分为详细的子方面，并构建每个方面的布尔问题清单，以简化评估过程中的模棱两可性和不一致性。该方法不仅使过程更具可解释性，还通过专注于特定的评估维度，显著提高了结果的健壮 - 主动相关聚类的有效获取函数
本文研究了相关聚类中使用主动学习来查询相似性的有效获取函数，并提出了三种基于不一致性、熵和信息增益的获取函数。
- 高斯图模型结构学习中交叉验证的不一致性
通过理论分析和实证研究，我们揭示了交叉验证在高斯图模型中泛化有限，并通过与其他常用信息准则进行对比，揭示了这种不一致性。这对于需要超参数选择的图模型结构学习算法来说具有重要意义。
- 最大一致 Max-T 模糊关系方程的子系统
研究了形式为 A Box_T^max x = b 的 max-T 模糊关系方程系统的不一致性，并提出了直接构造规范最大一致子系统的方法，其中使用了计算与不一致 max-T 系统相关的 Chebyshev 距离的分析公式。基于相同的分析公式， - EMNLP规模、检索增强与形式对语言模型事实一致性的影响
大型语言模型（LLMs）在提供事实知识方面具有自然的界面，但它们的有用性受到其倾向于给出不一致答案的限制。本文识别不一致性的潜在原因，并评估两种缓解策略的效果：扩展和使用检索语料库增强 LM。我们在 LLaMA 和 Atlas 模型上的结果 - 处理 $min
ightarrow$ 模糊关系方程系统的不一致性
研究模糊关系方程组的不一致性，提出计算 Chebyshev 距离的分析公式，阐述了 Chebyshev 距离作为解向量不等式的下界，在 G"odel，Goguen 和 Lukasiewicz 的蕴涵关系中的特殊情况下，Chebyshev 距 - 利用不确定性查询不一致的描述逻辑知识库
本文研究了利用概率语义来处理 Description Logics Knowledge Bases 中的不一致性问题，使之能够在查询时处理不一致的 KBs，且与传统的修复语义进行了比较。
- 带有通用约束的优先数据库中不一致性处理：复杂性分析和与活动完整性约束的关联
本文针对带有全局约束条件的不一致数据库的修复和查询问题进行了研究。通过对（否定）事实的二元优先关系进行符号差分修复操作，界定出最优修复的概念，并探讨了其计算属性。同时，研究了优先数据库最优修复与主动完整性约束维护的关系，并揭示出了对主动完整 - 深度神经网络训练的不一致性、不稳定性和泛化差距
研究深度神经网络的泛化差距问题，发现模型不一致和不稳定性是影响泛化差距的关键因素，通过算法降低不一致性可以提高性能，并为现有方法（如协同蒸馏和集成学习）提供了理论基础。
- 通过辩论深入探究大型语言模型的内部一致性
在人工智能的领域中，大型语言模型（LLMs）需求渐趋增长。本研究通过命题竞辩框架来探讨多个 LLMs 之间的持续性以及一致性问题，确立了公正比赛，失调比赛和圆桌比赛的三个阶段，并在多个常识推理数据集上进行了广泛的实验，从而提出了令人信服的解 - 推荐系统中的精度、误校准和流行偏见研究
本研究分析了五个著名推荐算法在具有不同意向的用户群组中的表现不一致性、度量标准和不同类型影片对不一致表现的影响，结果表明，对流行度兴趣不高的用户收到的推荐准确性最低，且特定类型影片对于不一致性表现有不同的影响。
- ChatGPT 的道德权威
ChatGPT 不仅可以搜索信息，回答问题，还可以提供建议。 对于经常持有相互矛盾道德信仰的用户，它的一致的道德建议可能会改善他们的道德判断和决策。但是，实验表明，ChatGPT 作为道德顾问非常不一致。 尽管如此，ChatGPT 影响了用 - 关于时间马尔可夫逻辑网络推理的参数化
本研究旨在提高对不一致和不确定数据的推理能力，并着重探讨历史科学中常见的带时间间隔的知识图形数据。我们提出了关于新的时间马尔科夫逻辑网络（TMLN）的语义原理，旨在实现高效的最大后验推理，并扩展马尔科夫逻辑网络（MLN）以涵盖不确定的时间事 - 社交媒体数据中心理健康的可解释因果分析
本研究通过对社交媒体上精神疾病分类进行多类因果关系分析，发现因果关系解释的重叠问题是导致错误预测的主要挑战之一，并通过采用一些解决方法验证了该假设的有效性。实验结果表明，使用 LIME 和 Integrated Gradient（IG）方法 - IJCAI关于交互性解释的非单调推理
本文提出了关于解释对象的一种形式模型，用于分析用户与系统之间的交互情景，通过输入，输出和解释的顺序。作者论证了解释可以被认为是承诺某种行为模式的对象，并认为其应被视为非单调性。这样做可以通过确定性关系解决一些解释中考虑到的不一致性，也可以考 - 特征重要性的固有不一致性
本文提出一种新的特征重要性得分框架，通过将特征空间重新划分成可分离集合，从而统一了现有研究所存在的不一致性，实现了对机器学习算法的可解释性。
- AAAI汇集重构误差用于外部分布检测
本文提出了一种新的方法，即基于重构误差聚合探测器 (READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的 ID 和 OOD 样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的 OOD 检测算法相比，我们的 - 测量声明式流程规范中的不一致性
这篇研究论文解决了测量申明性进程规范不一致性的问题，重点介绍了固定跟踪（LTLff）的线性时间逻辑的不一致性，提出了一种新的不完全一致语义作为不一致性测量的框架。提出两种基于这些语义的不一致性度量，并研究了引入方法的计算复杂性。