Aandacht Voldoet: Een Constraint-Satisfaction Perspectief op Feitelijke Fouten in Taalmodellen

Attention Satisfies: A Constraint-Satisfaction Lens on Factual Errors of Language Models

September 26, 2023

Auteurs: Mert Yuksekgonul, Varun Chandrasekaran, Erik Jones, Suriya Gunasekar, Ranjita Naik, Hamid Palangi, Ece Kamar, Besmira Nushi

cs.AI

Samenvatting

We onderzoeken het interne gedrag van Transformer-gebaseerde Large Language Models (LLMs) wanneer ze feitelijk onjuiste tekst genereren. We stellen voor om feitelijke vragen te modelleren als Constraint Satisfaction Problems en gebruiken dit raamwerk om te onderzoeken hoe het model intern omgaat met feitelijke beperkingen. Specifiek ontdekken we een sterke positieve relatie tussen de aandacht van het model voor beperkingstokens en de feitelijke nauwkeurigheid van zijn antwoorden. In onze samengestelde set van 11 datasets met meer dan 40.000 prompts, bestuderen we de taak van het voorspellen van feitelijke fouten met de Llama-2-familie op alle schalen (7B, 13B, 70B). We introduceren SAT Probe, een methode die zelf-attentiepatronen onderzoekt, waarmee beperkingsvoldoening en feitelijke fouten kunnen worden voorspeld, en die vroege foutidentificatie mogelijk maakt. De aanpak en bevindingen demonstreren hoe het gebruik van het mechanistische begrip van feitelijkheid in LLMs de betrouwbaarheid kan vergroten.

English

We investigate the internal behavior of Transformer-based Large Language Models (LLMs) when they generate factually incorrect text. We propose modeling factual queries as Constraint Satisfaction Problems and use this framework to investigate how the model interacts internally with factual constraints. Specifically, we discover a strong positive relation between the model's attention to constraint tokens and the factual accuracy of its responses. In our curated suite of 11 datasets with over 40,000 prompts, we study the task of predicting factual errors with the Llama-2 family across all scales (7B, 13B, 70B). We propose SAT Probe, a method probing self-attention patterns, that can predict constraint satisfaction and factual errors, and allows early error identification. The approach and findings demonstrate how using the mechanistic understanding of factuality in LLMs can enhance reliability.