Enhancing Robustness in Retrieval-Augmented Language Models

检索增强型语言模型（RALMs）在大型语言模型的能力上取得了重大进步，特别是在利用外部知识源减少事实性幻觉方面。然而，检索到的信息的可靠性并不总是有保证的。检索到无关数据可能导致回答偏离正轨，甚至可能使模型忽略其固有的知识，即使它拥有足够的信息来回答查询。此外，标准的RALMs通常难以评估它们是否拥有足够的知识，包括内在知识和检索到的知识，以提供准确的答案。在知识缺乏的情况下，这些系统理想情况下应该以“未知”回应无法回答的问题。为了应对这些挑战，我们引入了CHAIN-OF-NOTING（CON），这是一种新颖的方法，旨在提高RALMs在面对噪声、无关文档和未知场景时的鲁棒性。CON的核心思想是为检索到的文档生成顺序阅读笔记，从而彻底评估它们与给定问题的相关性，并将这些信息整合以形成最终答案。我们使用ChatGPT为CON创建训练数据，随后在LLaMa-2 7B模型上进行了训练。我们在四个开放领域问答基准上的实验表明，装备了CON的RALMs显著优于标准的RALMs。特别是，CON在完全噪声检索文档的情况下，EM分数平均提高了+7.9，在实时问题超出预训练知识范围的情况下的拒绝率提高了+10.5。

在这篇论文中，我们介绍了CHAIN-OF-NOTING（CON）框架，这是一种新颖的方法论，旨在增强RALMs的鲁棒性。CON的核心概念围绕着为每个检索到的文档生成顺序阅读笔记。这个过程允许深入评估文档与提出问题的相关性，并帮助合成这些信息以构建最终的答案。我们使用了ChatGPT来生成CON的初始训练数据，然后使用LLaMa-2 7B模型进一步优化这些数据。我们在各种开放领域问答基准上的测试表明，集成了CON的RALMs在性能上显著超过了传统的RALMs。