Метод машинного обучения с малым количеством меток (MLLM) может видеть? Динамическая декодирование коррекции для смягчения галлюцинаций.

MLLM can see? Dynamic Correction Decoding for Hallucination Mitigation

October 15, 2024

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

cs.AI

Аннотация

Многомодельные модели больших языков (MLLMs) часто проявляют явления галлюцинаций, однако основные причины остаются плохо понятыми. В данной статье мы представляем эмпирический анализ и обнаруживаем, что, хотя MLLMs неправильно генерируют объекты в конечном выводе, они фактически способны распознавать визуальные объекты в предшествующих слоях. Мы предполагаем, что это может быть связано с сильными априорными знаниями языковой модели, подавляющими визуальную информацию, что приводит к галлюцинациям. Вдохновленные этим, мы предлагаем новый метод динамической коррекции декодирования для MLLMs (DeCo), который адаптивно выбирает соответствующие предшествующие слои и пропорционально интегрирует знания в конечный слой для коррекции выводных логитов. Следует отметить, что DeCo не привязан к модели и может быть легко интегрирован с различными классическими стратегиями декодирования и применен к различным MLLMs. Мы оцениваем DeCo на широко используемых бенчмарках, демонстрируя, что он может значительно снизить уровень галлюцинаций по сравнению с базовыми моделями, подчеркивая его потенциал по смягчению галлюцинаций. Код доступен по ссылке 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.