SeaKR: Recuperação de Conhecimento Autoconsciente para Geração Aumentada de Recuperação Adaptativa

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

June 27, 2024

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

cs.AI

Resumo

Este artigo apresenta o Self-aware Knowledge Retrieval (SeaKR), um modelo RAG adaptativo inovador que extrai a autoconsciência da incerteza dos LLMs a partir de seus estados internos. SeaKR ativa a recuperação quando os LLMs apresentam alta autoconsciência da incerteza para geração. Para integrar efetivamente trechos de conhecimento recuperados, SeaKR os reclassifica com base na autoconsciência da incerteza do LLM para preservar o trecho que reduz sua incerteza ao máximo. Para facilitar a resolução de tarefas complexas que requerem múltiplas recuperações, SeaKR utiliza sua autoconsciência da incerteza para escolher entre diferentes estratégias de raciocínio. Nossos experimentos em conjuntos de dados de Question Answering complexos e simples mostram que o SeaKR supera os métodos RAG adaptativos existentes. Disponibilizamos nosso código em 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.