南昌专业做网站的,图书馆网站开发总结,wordpress给文章区分"原创"和"非原创"的印章,高校网站建设策划论文地址#xff1a;https://arxiv.org/pdf/2311.09210.pdf 检索增强语言模型#xff08;RALM#xff09;已成为自然语言处理中一种强大的新范式。通过将大型预训练语言模型与外部知识检索相结合#xff0c;RALM可以减少事实错误和幻觉#xff0c;同时注入最新知识。然而https://arxiv.org/pdf/2311.09210.pdf 检索增强语言模型RALM已成为自然语言处理中一种强大的新范式。通过将大型预训练语言模型与外部知识检索相结合RALM可以减少事实错误和幻觉同时注入最新知识。然而目前的RALM面临以下几个关键挑战
噪声检索Noisy retrieval不相关的检索文档可能会误导模型并导致错误的响应未知鲁棒性Unknown robustnessRALM很难确定他们是否有足够的知识来回答问题当缺乏信息时应该默认为“未知”缺乏透明度Lack of transparency目前尚不清楚RALM是如何利用检索到的信息来生成回应的。 为了解决这些问题腾讯人工智能实验室的研究人员在他们的论文《CHAIN-OF-NOTE: ENHANCING ROBUSTNESS IN RETRIEVAL-AUGMENTED LANGUAGE MODELS》中提出了一个新的框架称为笔记链CON。 一、笔记链概述 笔记链的关键思想是通过对检索到的每个文档进行总结和评估让模型生成阅读笔记然后再生成最终的回应。此记录过程可以增强模型的以下能力
评估检索到文档的相关性识别可靠信息与误导信息过滤掉无关或不可信的内容认识到知识差距并回应“未知”
具体而言给定一个问题和k个检索到的文档“笔记链”会进行如下操作
笔记生成为每个文档创建1个阅读笔记然后分析其相关性综合整合笔记中的见解来确定最终回应。 这种方法反映了人类的推理——将问题分解为更小的步骤。笔记为模型的思维过程提供了透明度并提高了其噪声和未知稳健性。
二、阅读笔记的类型
笔记链生成的笔记可分为三类 相关Relevant文档可以直接回答问题最终的回复只来自该文档 无关但有用的上下文Irrelevant but useful context文档没有回答问题但提供了有用的背景。该模型将其知识与上下文相结合可以推断出答案 无关Irrelevant文档是无关的模型缺乏知识来回答。默认响应为“未知”。 该系统允许模型在直接检索信息、进行推断和承认其局限性之间取得平衡。 三、笔记示例 笔记链CON框架根据检索到的文档与输入问题的相关性生成三种类型的阅读笔记。以下是每种类型的笔记的示例
3.1 类型1——直接回答
输入问题“法国首都是什么”
检索文件一篇讨论法国各个城市的文章。
生成的笔记“正如文章中所提到的法国的首都是巴黎。”
最后回应“法国首都是巴黎。”
3.2 类型2——有用上下文
输入问题“光合作用是如何工作的”
检索文件解释植物生物学基础的文本不直接涉及光合作用。
生成笔记“虽然该文件没有直接解释光合作用但它提供了有关植物生物学的有用信息表明光合作用是植物将光转化为能量的过程。”
最后回应“光合作用是植物将光转化为能量的过程包括叶绿素对光的吸收以及二氧化碳和水转化为葡萄糖和氧气。”
3.3 类型3——无关或未知
输入问题“量子计算的最新进展是什么”
检索文档一篇讨论经典计算技术的文章。
生成的笔记“检索到的文档不包括量子计算而是专注于经典计算技术。该模型缺乏足够的信息来根据此文档进行回答。”
最终回应“未知因为现有文件没有提供量子计算最新进展的相关信息。” 这些例子说明了CON框架如何处理不同类型的文档直接使用相关文档中的信息从上下文有用的文档中推断答案并承认知识或无关信息中的差距。
四、训练模型
为了训练一个模型来生成阅读笔记腾讯团队执行如下步骤
使用ChatGPT为不同类型的笔记生成10K的训练数据 使用这些数据对LLaMa-2模型进行微调以增强模型记笔记的能力 使用加权损失函数策略将训练重点放在最终答案的准确性上。
五、评估笔记链 在几个QA数据集的实验表明
提高了QA性能 从上表2可以看出当使用检索到的文档时Chain of Note的平均得分比标准RALM高1.97 EM增强了噪声鲁棒性从上表3可以看出在给定不相关的检索文档的情况下与标准RALM相比Chain of Note将EM得分提高了7.9更好的未知稳健性从上表4可以看出在域外问题上笔记链将拒绝率提高了10.5。
六、个案研究
让我们通过一个示例来了解笔记链的作用
问题《死侍2》是什么时候上映的
文档1讨论2018年6月1日在美国上映的《死侍2》。
文档2提及《死侍2》于2018年5月10日首播日期变更后于2018年8月18日上映。
标准RALM:2018年6月1日❌
带笔记链的RALM
文档1笔记猜测《死侍2》于2018年6月1日在美国上映。
文档2笔记明确实际发布日期为2018年5月18日。
回复根据Doc 2答案为2018年5月18日✅ 这展示了笔记链如何仔细分析文件并确定最相关、最可信的细节以产生正确的回应。
七、关键要点
笔记链增强了RALM对噪声检索和未知场景的鲁棒性记笔记为RALM推理过程提供了可解释性平衡检索信息、进行推断和确认限制分解复杂问题的简单而有效的方法。
参考文献
[1] https://ai.plainenglish.io/unlocking-the-black-box-how-chain-of-note-brings-transparency-to-retrieval-augmented-models-rag-ae1ebb007876
[2] https://arxiv.org/pdf/2311.09210.pdf
