CoTAR：多粒度思维链溯源推理
计算与语言
2024-11-28 v2 人工智能
机器学习
摘要
当前，在问答（QA）任务中，采用大语言模型（LLM）的系统取得了最先进的性能，但这些模型在其回答中往往会产生幻觉信息。一种方法侧重于通过引入从给定输入到输出的溯源来增强生成过程。然而，识别合适的溯源并依据来源验证其准确性的挑战是一项复杂的任务，需要显著改进对此类系统的评估。我们引入了一种面向溯源的思维链推理方法，以提高溯源的准确性。该方法将推理过程聚焦于生成以溯源为中心的。在使用GPT-4对两个上下文增强的问答数据集进行的评估中，证明了溯源准确性和正确性的提升。此外，我们的方法与微调相结合，提高了两个较小LLM的回答和溯源准确性，显示出它们在部分情况下超越GPT-4的潜力。
引用
@article{arxiv.2404.10513,
title = {CoTAR: Chain-of-Thought Attribution Reasoning with Multi-level Granularity},
author = {Moshe Berchansky and Daniel Fleischer and Moshe Wasserblat and Peter Izsak},
journal= {arXiv preprint arXiv:2404.10513},
year = {2024}
}
备注
Findings of the Association for Computational Linguistics: EMNLP 2024