Kann MLLM sehen? Dynamische Korrekturdekodierung zur Halluzinationsminderung

MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation

October 15, 2024

Autoren: Chenxi Wang, Xiang Chen, Ningyu Zhang, Bozhong Tian, Haoming Xu, Shumin Deng, Huajun Chen

cs.AI

Zusammenfassung

Multimodale Große Sprachmodelle (MLLMs) zeigen häufig Halluzinationsphänomene, aber die zugrunde liegenden Gründe sind noch nicht gut verstanden. In diesem Paper präsentieren wir eine empirische Analyse und stellen fest, dass MLLMs zwar die Objekte im endgültigen Output falsch generieren, sie jedoch tatsächlich in der Lage sind, visuelle Objekte in den vorhergehenden Schichten zu erkennen. Wir vermuten, dass dies auf die starken Wissensprioritäten des Sprachmodells zurückzuführen sein könnte, die die visuellen Informationen unterdrücken und so zu Halluzinationen führen. Basierend darauf schlagen wir eine neuartige dynamische Korrekturdekodierungsmethode für MLLMs (DeCo) vor, die adaptiv die geeigneten vorhergehenden Schichten auswählt und das Wissen proportional in die endgültige Schicht integriert, um die Ausgabelogits anzupassen. Beachten Sie, dass DeCo modellagnostisch ist und nahtlos mit verschiedenen klassischen Dekodierungsstrategien kombiniert und auf verschiedene MLLMs angewendet werden kann. Wir evaluieren DeCo an weit verbreiteten Benchmarks und zeigen, dass es im Vergleich zu Baselines die Halluzinationsraten deutlich reduzieren kann, was sein Potenzial zur Minderung von Halluzinationen unterstreicht. Der Code ist verfügbar unter https://github.com/zjunlp/DeCo.

English

Multimodal Large Language Models (MLLMs) frequently exhibit hallucination phenomena, but the underlying reasons remain poorly understood. In this paper, we present an empirical analysis and find that, although MLLMs incorrectly generate the objects in the final output, they are actually able to recognize visual objects in the preceding layers. We speculate that this may be due to the strong knowledge priors of the language model suppressing the visual information, leading to hallucinations. Motivated by this, we propose a novel dynamic correction decoding method for MLLMs (DeCo), which adaptively selects the appropriate preceding layers and proportionally integrates knowledge into the final layer to adjust the output logits. Note that DeCo is model agnostic and can be seamlessly incorporated with various classic decoding strategies and applied to different MLLMs. We evaluate DeCo on widely-used benchmarks, demonstrating that it can reduce hallucination rates by a large margin compared to baselines, highlighting its potential to mitigate hallucinations. Code is available at https://github.com/zjunlp/DeCo.