Messung und Verbesserung der Vertrauenswürdigkeit von LLMs in RAG durch fundierte Zuschreibungen und Lernen, um abzulehnen

Measuring and Enhancing Trustworthiness of LLMs in RAG through Grounded Attributions and Learning to Refuse

September 17, 2024

Autoren: Maojia Song, Shang Hong Sim, Rishabh Bhardwaj, Hai Leong Chieu, Navonil Majumder, Soujanya Poria

cs.AI

Zusammenfassung

LLMs sind ein integraler Bestandteil von Abruf-erweiterten Generierungssystemen (RAG). Während viele Studien darauf abzielen, die Qualität von End-to-End-RAG-Systemen zu bewerten, fehlt es an Forschung zur Einschätzung der Eignung eines LLM für die RAG-Aufgabe. Daher führen wir eine neue Metrik, Trust-Score, ein, die eine ganzheitliche Bewertung der Vertrauenswürdigkeit von LLMs in einem RAG-Rahmen bietet. Wir zeigen, dass verschiedene Aufforderungsmethoden, wie das Lernen im Kontext, es nicht effektiv schaffen, LLMs an die RAG-Aufgabe anzupassen. Daher schlagen wir Trust-Align vor, ein Rahmenwerk zur Ausrichtung von LLMs für einen höheren Trust-Score. LLaMA-3-8b, ausgerichtet mit unserer Methode, übertrifft signifikant Open-Source LLMs vergleichbarer Größe in ASQA (um 10,7), QAMPARI (um 29,2) und ELI5 (um 14,9). Wir veröffentlichen unseren Code unter: https://github.com/declare-lab/trust-align.

English

LLMs are an integral part of retrieval-augmented generation (RAG) systems. While many studies focus on evaluating the quality of end-to-end RAG systems, there is a lack of research on understanding the appropriateness of an LLM for the RAG task. Thus, we introduce a new metric, Trust-Score, that provides a holistic evaluation of the trustworthiness of LLMs in an RAG framework. We show that various prompting methods, such as in-context learning, fail to adapt LLMs effectively to the RAG task. Thus, we propose Trust-Align, a framework to align LLMs for higher Trust-Score. LLaMA-3-8b, aligned with our method, significantly outperforms open-source LLMs of comparable sizes on ASQA (up 10.7), QAMPARI (up 29.2) and ELI5 (up 14.9). We release our code at: https://github.com/declare-lab/trust-align.