本期为TechBeat人工智能社区第551期线上Talk。
北京时间11月29日(周三)20:00，UC Santa Barbara博士生—许闻达的Talk将准时在TechBeat人工智能社区开播！
他与大家分享的主题是: “细粒度可解释评估初探”，分享了他们团队在具备解释性的细粒度评估模型的一系列研究成果。
Talk·信息
▼
主题：细粒度可解释评估初探
嘉宾：加州大学圣塔芭芭拉分校博士生 许闻达
时间：北京时间 11月29日(周三)20:00
地点：TechBeat人工智能社区
点击下方链接，即可观看视频！
TechBeatTechBeat是荟聚全球华人AI精英的成长社区，每周上新来自顶尖大厂、明星创业公司、国际顶级高校相关专业在读博士的最新研究工作。我们希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。
https://www.techbeat.net/talk-info?id=829
Talk·介绍
▼
迎接大语言模型时代的同时，面临着NLP中一项令人头疼的大问题：评估文本生成质量。挑战源自于文本的丰富多样性和评估过程中固有的主观性。虽然人工评估目前看来是最可靠的策略，但却因为高昂的成本和主观性的存在而被人诟病。因此，我们急需一种自动化评估模式，这已经成为当前的首要任务之一。
近期，大家注意到，学术界在开发可学习的评估模型上，无论在有监督还是无监督方面，都取得了显著的突破。但遗憾的是，由于评估模型的分数缺乏有效的校准，这些模型仍然无法清晰、直观地告诉我们问题在哪，至此仍缺乏足够的可解释性。
在研究中，我们的团队工作出色，设计了一套具备解释性的细粒度评估模型。我们通过充分利用生成错误的位置、类别和错误程度，来替代染繁复杂的质量分数，让用户能快速掌握文本质量的情况和所在短板。更为惊喜的是，我们发现这些指标不仅能帮助人类理解错误产生的原因， 它还像一位深思熟虑的老师耐心引导学生一样，能利用这些反馈指导大语言模型的生成，从而进一步提升其性能。
Talk大纲
1、近年来可学习评测的发展，以及在大语言模型时代，评测的重要性
2、我们最近在可学习，解释评估上的突破，和其所带来的意义
3、可解释评测带来的细粒度反馈可以如何提升大语言模型的性能
Talk·预习资料
▼
文章链接：https://arxiv.org/abs/2305.14282
文章链接： https://arxiv.org/pdf/2311.09336
文章链接：https://arxiv.org/abs/2212.09305
Talk·提问交流
▼
在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！
你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！
Talk·嘉宾介绍
▼
许闻达
UC Santa Barbara 博士生
许闻达目前是UCSB计算机系博四的学生，导师是UCSB NLP 的王威廉教授和CMU LTI的李磊教授。博士期间主要的研究方向是文本生成评估和大语言模型对齐。以前，于UC Davis获得本科学位，隶属于UC Davis的Computer vision组，主要研究方向为图像分割和无人驾驶。本科所做的Visual SLAM和道路规划曾获得年度最佳毕业设计奖。
以第一作者身份在多个定会发表过多篇论文, 包括AAAI, EMNLP和ACL，并以协作作者身份发表多篇论文。并在字节谷歌等研究院实习。担任多个顶会的审稿人，包括AAAI, EMNLP和ACL。
个人主页:
TechBeat
关于TechBeat人工智能社区
▼
TechBeat(www.techbeat.net)隶属于将门创投，是一个荟聚全球华人AI精英的成长社区。
我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。
期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！
更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区
