SeaKR: Recupero della Conoscenza Auto-Consapevole per la Generazione Aumentata con Recupero Adattivo

SeaKR: Self-aware Knowledge Retrieval for Adaptive Retrieval Augmented Generation

June 27, 2024

Autori: Zijun Yao, Weijian Qi, Liangming Pan, Shulin Cao, Linmei Hu, Weichuan Liu, Lei Hou, Juanzi Li

cs.AI

Abstract

Questo articolo introduce Self-aware Knowledge Retrieval (SeaKR), un nuovo modello RAG adattivo che estrae l'incertezza auto-consapevole dei LLM dai loro stati interni. SeaKR attiva il recupero delle informazioni quando i LLM presentano un'elevata incertezza auto-consapevole durante la generazione. Per integrare efficacemente i frammenti di conoscenza recuperati, SeaKR li riordina in base all'incertezza auto-consapevole del LLM, preservando il frammento che riduce al massimo tale incertezza. Per facilitare la risoluzione di compiti complessi che richiedono più recuperi, SeaKR utilizza l'incertezza auto-consapevole per scegliere tra diverse strategie di ragionamento. I nostri esperimenti su dataset di Question Answering sia complessi che semplici dimostrano che SeaKR supera i metodi RAG adattivi esistenti. Rilasciamo il nostro codice all'indirizzo https://github.com/THU-KEG/SeaKR.

English

This paper introduces Self-aware Knowledge Retrieval (SeaKR), a novel adaptive RAG model that extracts self-aware uncertainty of LLMs from their internal states. SeaKR activates retrieval when the LLMs present high self-aware uncertainty for generation. To effectively integrate retrieved knowledge snippets, SeaKR re-ranks them based on LLM's self-aware uncertainty to preserve the snippet that reduces their uncertainty to the utmost. To facilitate solving complex tasks that require multiple retrievals, SeaKR utilizes their self-aware uncertainty to choose among different reasoning strategies. Our experiments on both complex and simple Question Answering datasets show that SeaKR outperforms existing adaptive RAG methods. We release our code at https://github.com/THU-KEG/SeaKR.