Visualizza wikitesto di Survey of Hallucination in Natural Language Generation

{{template pubblicazione
|data=2021
|autori=Ziwei Ji, Nayeon Lee, Rita Frieske, Tiezheng Yu, D. Su, Yan Xu, Etsuko Ishii, Yejin Bang, Delong Chen, Wenliang Dai, Andrea Madotto, Pascale Fung
|URL=https://www.semanticscholar.org/paper/3def68bd0f856886d34272840a7f81588f2bc082
|topic=Hallucination in Natural Language Generation
|citazioni=1394
}}

Questo articolo offre una panoramica completa del problema dell'[[allucinazione]] nei modelli di linguaggio di grandi dimensioni, ovvero la tendenza a generare testo non veritiero o non supportato dai dati di addestramento. Gli autori analizzano le cause di questo fenomeno, le metriche per misurarlo e le diverse strategie di mitigazione proposte in letteratura. L'articolo approfondisce anche l'impatto specifico dell'allucinazione in diversi compiti di generazione del linguaggio naturale, come la scrittura di riassunti, la generazione di dialoghi e la traduzione automatica.

{{#seo:
            |title=Survey of Hallucination in Natural Language Generation
            |title_mode=append
            |keywords=modelli linguistici, allucinazione, generazione del linguaggio naturale, intelligenza artificiale, elaborazione del linguaggio naturale, deep learning, apprendimento automatico, reti neurali, disinformazione, affidabilità
            |description=Questa pubblicazione offre una panoramica completa del problema dell'allucinazione nei modelli linguistici di grandi dimensioni, analizzando le cause, le metriche di misurazione e le strategie di mitigazione. Vengono approfonditi gli impatti specifici dell'allucinazione in diversi compiti di generazione del linguaggio naturale, come la scrittura di riassunti, la generazione di dialoghi e la traduzione automatica.
            
            }}