Сокращение разрыва в оценке знаний: открытое доменное ответы на вопросы с ответами различной степени детализации

Narrowing the Knowledge Evaluation Gap: Open-Domain Question Answering with Multi-Granularity Answers

January 9, 2024

Авторы: Gal Yona, Roee Aharoni, Mor Geva

cs.AI

Аннотация

Фактические вопросы обычно могут быть корректно ответены на разных уровнях детализации. Например, и «4 августа 1961 года», и «1961 год» являются правильными ответами на вопрос «Когда родился Барак Обама?». Однако стандартные протоколы оценки систем вопросно-ответных (QA) систем не учитывают это явно и сравнивают предсказанный ответ с ответами только одного уровня детализации. В данной работе мы предлагаем GRANOLA QA — новый подход к оценке, в котором предсказанный ответ оценивается с точки зрения точности и информативности относительно набора ответов с разной степенью детализации. Мы представляем простую методологию для обогащения существующих наборов данных ответами с разной детализацией и создаем GRANOLA-EQ — версию набора данных EntityQuestions с поддержкой многоуровневой детализации. Мы оцениваем различные методы декодирования на GRANOLA-EQ, включая новый алгоритм под названием Decoding with Response Aggregation (DRAG), который направлен на согласование уровня детализации ответа с неопределенностью модели. Наши эксперименты показывают, что крупные языковые модели со стандартным декодированием склонны генерировать конкретные ответы, которые часто оказываются неверными. В то же время, при оценке на ответах с разной детализацией, DRAG демонстрирует увеличение точности в среднем на 20 пунктов, причем этот показатель еще выше для редких сущностей. В целом, это показывает, что стандартные методы оценки и декодирования могут значительно недооценивать знания, заложенные в языковых моделях.

English

Factual questions typically can be answered correctly at different levels of granularity. For example, both ``August 4, 1961'' and ``1961'' are correct answers to the question ``When was Barack Obama born?''. Standard question answering (QA) evaluation protocols, however, do not explicitly take this into account and compare a predicted answer against answers of a single granularity level. In this work, we propose GRANOLA QA, a novel evaluation setting where a predicted answer is evaluated in terms of accuracy and informativeness against a set of multi-granularity answers. We present a simple methodology for enriching existing datasets with multi-granularity answers, and create GRANOLA-EQ, a multi-granularity version of the EntityQuestions dataset. We evaluate a range of decoding methods on GRANOLA-EQ, including a new algorithm, called Decoding with Response Aggregation (DRAG), that is geared towards aligning the response granularity with the model's uncertainty. Our experiments show that large language models with standard decoding tend to generate specific answers, which are often incorrect. In contrast, when evaluated on multi-granularity answers, DRAG yields a nearly 20 point increase in accuracy on average, which further increases for rare entities. Overall, this reveals that standard evaluation and decoding schemes may significantly underestimate the knowledge encapsulated in LMs.