تحلیل تطبیقی پارادایم های سنجش عدم قطعیت و رفع تعارض در مدل های بزرگ زبانی منطق فازی منطق نوتروسوفیک، یادگیری شواهدی عمیق و استنباط بیزی

مدل های بزرگ زبانی (LMS) با وجود دستاوردهای چشمگیر در پردازش متن در مواجهه با ابهام های معنایی، اطلاعات ناقص، اسناد متناقض و داده های خارج از دامنه با چالش های بنیادینی نظیر بیش برآورد اطمینان (Overconfidence) و تولید گزاره های توهم آمیز (Hallucination) مواجه هستند. لایه استاندارد سافت مکس، خروجی به دلیل نگاشت قطعی لاجیت ها به یک توزیع احتمالاتی با قید جمع، یک فاقد توانایی تفکیک عدم قطعیت معرفتی (جهل) مدل از عدم قطعیت تصادفی (ابهام) ذاتی زبان است. این معضل در سیستم های تولید مجهز به بازیابی (RAG) به ویژه در دامنه های پرریسک حقوقی و بالینی خطاهای محاسباتی و حقوقی جبران ناپذیری ایجاد می کند. در حالی که مرورهای مرسوم موجود در ادبیات اغلب منحصرا بر سنجه های آماری کالیبراسیون و روش های پرامپتینگ تمرکز یافته اند، این مقاله مروری تحلیلی با ایجاد پیوندی بین رشته ای میان محاسبات نرم و یادگیری عمیق، احتمالاتی چهار پارادایم اصلی را واکاوی می کند (۱) منطق فازی (۲) منطق نوتروسوفیک (۳) یادگیری شواهدی عمیق (EDL)، و (۴) استنباط بیزی. مبانی، ریاضی، معماری شبکه ها، توابع هدف، رفتار در شرایط تعارض مستقیم اسناد و وضعیت فرا حقیقت (Hyper-truth) و پیچیدگی محاسباتی هر رویکرد تحلیل شده است. علاوه بر ماتریس تطبیقی جامع ۱۲ بعدی، یک پروتکل پیشنهادی منسجم برای بنچمارک استرس چند سندی و یک معماری کاربردی برای RAG حقوقی آگاه از شواهد نوتروسوفیک ارائه شده است تا مسیر پژوهش های آتی روشن گردد.

کلیدواژه ها:

مدل های بزرگ زبانی (LMS) ، سنجش عدم قطعیت (UQ) ، منطق فازی ، منطق نوتروسوفیک ، یادگیری شواهدی عمیق (EDL) ، استنباط بیزی ، وضعیت فراحقیقت (Hypertruth) ، سامانه RAG حقوقی