回复
何时检索，何时生成？Self-DC：自我分治解决复合问题
现有的工作非常关注大模型本身的知识边界，以达成对于大模型known和unknown的问题能够进行不同的处理。简单来说，有四大类主要的问题
- Single known: 简单的通过大模型内部的知识即可解决，比如常见的generate-then-read方法
- Single unknown: 需要调用外部工具如搜索引擎等获取外部知识进行解决，比如retrieve-then-read方法
- Compositional known: 需要进行复杂推理，比如compositional reasoning将问题进行分解
- Compositional unknown: 这个问题是其中最为复杂的，因为一个compositional unknown 问题包括其他所有可能性，比如一个compositional known和single unknown的结合等。
对于一个复合问题，我们什么时候利用外部检索，什么时候促使大模型产生已知的知识，以回答当前的问题?
为了解决这个问题，可以不加区分地使用外部检索方法，也就是朴素RAG，也可以首先评估关于该问题的大型语言模的确定性或不确定性，随后根据评估调用生成-读取或检索-读取。
例如，《Can llms express their uncertainty? an empirical evaluation of confi-dence elicitation in llm》,这个工作列举了多种方式，基于语言的Verbalized，基于一致性的Consistency-based，以及它们的混合方法Hybrid。
这两种方法都有自己的局限性，例如，简单地对每个问题调用外部检索并不能保证更好的性能，而且会浪费大量已知知识浪费，而且在存在迭代检索的情况下，也会带来严重的效率问题。此外，将问题分为已知和未知的二元对立过于简化了问题的复杂性，在某些情况下并不可行以及效果并不佳。
例如，如图1所示，一个组合未知问题由已知和未知子问题组成。因此，它将退化为简单地自动调用每个问题的检索，因为未知的组成仍然是llm的未知问题。
“先检索后读取”和“再生成后读取”是开放域问答中处理未知和已知问题的两种典型解决方案，前者检索需要的外部知识，后者提示大语言模型生成编码在参数中的内部已知知识，但也存在一些由已知或未知的子问题组成的未知问题。
此外，简单的二元分类(已知或未知)变得次优且效率低下，因为它会对每个组成未知问题过多地调用外部检索。
为此，《Self-DC: When to retrieve and When to generate? Self Divide-and-Conquer for Compositional Unknown Questions》提出了第一个组合未知问答数据集(CuQA)，并引入了一个自分而治(Self-dc)框架，使llm能够自适应地按需调用不同的方法，从而提高了性能和效率。
论文题目：
Self-DC: When to retrieve and When to generate? Self Divide-and-Conquer for Compositional Unknown Questions
论文链接：
一、主要实现思路
Self-DC主要采用的是自我分而治之的思路，如图2所示：
一般来说，给定一个问题，首先得到大模型对该问题的置信度分数，然后可以相应地选择处理当前问题的方式。具体地，其将置信度评分分为 [0，α-β]，(α-β，α+β)，[α+β，1] 三个范围，其中 α 和 β 是超参数。因此，当置信度分数落在左侧 ([0，α−β]) 或右侧 ([α+β，1]) 时，可以分别调用检索-读取或生成-读取来回答。
此外，当遇到不确定或令人困惑的问题时，将问题分解成几个子问题，旨在减少不确定性。为了保证迭代不溢出，设置了几个终止条件：1)子问题数为1，即可能是单个问题；2)迭代深度的次数小于一个预定义的 t ，在这种情况下，简单地将当前子问题视为未知问题，然后调用retrieve-then-read。然后，将所有子问题的答案结合起来，以提示大模型获得原始问题的最终答案。
对应的伪代码如下：
二、关于回复置信度的估计
使用两种类型的方法来提示LLM本身获得置信度分数来回答问题。
一种是基于语言化的方法verbalize-based，直接指示llm在问题的答案之后输出从0到100的置信水平，置信水平表示确定性的程度，然后将置信度分数重新映射到区间[0,1]。提示如下：
另一种是基于概率probability-based的方法，还利用概率信息来计算置信分数。首先使用几个单词提示llm生成答案，然后得到生成内容中第 i 个token的概率 pi ，根据如下公式获取序列中概率的平均值作为置信度分数。
这个思路很有意思，启发来自于 《A stitch in time saves nine: Detecting and mitigating hallucinations of llms by validating low-confidence generation.》，这个工作也是一个幻觉缓解框架，其思想在于：给定输入，迭代地从模型中生成句子，并主动检测和减轻幻觉。在检测阶段，首先识别重要概念，计算模型在其上的不确定性，然后通过检索相关知识验证不确定性概念的正确性。在缓解阶段，使用检索到的知识作为证据来修复幻觉句子。最后，将修复后的句子附加到输入(以及之前生成的句子)上，并继续生成下一个句子。
其中的不确定估计是我们在这里要讨论的重点，该工作认为，GPT-3等模型也在其预测中提供logit输出值，因此可以采用这些logit输出值来检测幻觉。这个logit输出值可以通过对每个标记位置的logit值应用softmax函数来获得这些概率。例如，记为 p1, p2, p3，…，pn 分别表示 n 个token的位置。
可以取平均值(Average of Token Probabilities)
概率的归一化积(Normalized Product of Token Probabilities)
取概率的最小值作为分数(Minimum of Token Probabilities)
为此，还加入 α 和 β 两个参数来控制不确定性的范围以提高Self-DC的鲁棒性和灵活度。
三、针对问题的不同操作
根据不同的置信度，精心设计了几个功能来完成组合性问答任务，包括几个模块
先生成后阅读generate-then-read： 首先提示大模型从维基百科生成背景文档来回答给定的问题，然后要求大模型通过引用生成的段落来回答问题。对应的prompt如下：
先检索后阅读retrieve-then-read： 在第一步使用检索器检索外部知识，然后要求LLM根据检索到的文章来回答问题，对应的prompt如下：
问题分解decompose： 提示大模型将总体问题分解为几个较小的子问题，这些子问题的答案共同有助于得出原始总体问题的答案，类似于Press等人(2023)和Xu等人(2023)，这种用法很常见，其实就是query-expansion的处理。
这块对应的prompt如下：
典型的分析工作，可以参考 《Measuring and Narrowing the Compositionality Gap in Language Models》，如下所示，通过提示大模型，针对某个问题进行分解，可以得到一些细分问题，从而提升性能。
迭代问答combine-sub-qas:分解后，调用main函数进入下一个迭代，为了得到每个子问题的答案，可以将所有子问题的答案合并得到原始问题的答案，对因的prompt如下：
四、总结
RAG个大系统，就像当时KG一样，都说要替代掉，但其本身是个大系统，依旧是要往前走的，要有工程观和落地观念。
本文主要关注RAG的一个工作，也重新温习了使用大模型对自身生成内容置信度估计的方案，与之前介绍内容不同的是，除了使用verblized based方案之外，还可以利用token的预测概率，如均值等，这些都是很好玩的思路。
此外，self-DC这套方案，前置要求大模型的置信准确性，也融合了问题扩展等思路，但也存在一些问题，例如，简单问题和难问题之间存在着很大的差距，如该工作所说的， 对大模型的依赖性太强，当使用verblized based方法时，在gpt-3.5-turbo-1106上，发现超过65%的情况下置信度得分为0，大约20%的情况下置信度得分超过0.9。但当使用gpt-3.5-turbo-instruct，趋势相反，给出0.9更高的频率(≈45%)，也就是说，大模型似乎要么高估了正确性，要么直接承认不确定性并拒绝回答。此外，细粒度置信分数(即0.82,0.61)相当罕见，使得β的细粒度选择毫无意义。
另一方面，当使用probb方法时，有更多的细粒度置信信号，并且大多数落在<0.5部分(≈90%)。结果表明，gpt-3.5-turbo-1106在不确定性估计方面优于gpt-3.5-turbo-instruct，prob方法优于动词方法，获得了更准确的置信度分数，分解次数受置信度分数的影响很大，这可能又会落入到一个阈值的调节怪圈里。
所以说，在NLP领域，并不存在一个放之四海而皆准的防范，都是需要特事特办，都是一堆补丁，即便有了长文本，也有一堆RAG的补丁要做。
Illustration From IconScout By Delesign Graphics
赞
收藏
回复
相关推荐
