圖片

框架

自適應(yīng)RAG通過判斷問題的復雜性來自動選擇使用哪種RAG策略。作者將問題劃分為三類（如上圖的C部分）：

? 開放領(lǐng)域問答：這類任務(wù)通常涉及兩個模塊：一個檢索器和一個閱讀器。隨著具有千億參數(shù)的超強推理能力的LLMs的出現(xiàn)，LLMs和檢索器之間的協(xié)同作用已經(jīng)取得了顯著進展。然而，盡管在單跳檢索增強LLMs方面取得了進展，但某些查詢的復雜性需要更復雜的策略。

? 多跳問答：多跳問答（Multi-hop QA）是傳統(tǒng)開放領(lǐng)域問答（Open-domain QA）的擴展，需要系統(tǒng)全面收集和上下文化多個文檔的信息回答更復雜的查詢。首先將多跳查詢分解為更簡單的單跳查詢，反復訪問LLMs和檢索器來解決這些子查詢，并合并它們的解決方案以形成完整答案。這種查詢的缺點是：每個查詢進行迭代訪問LLMs和檢索器可能效率極低，因為有些查詢可能足夠簡單，可以通過單一檢索步驟甚至僅通過LLM本身來解決。

? 自適應(yīng)檢索：為了處理不同復雜性的查詢，自適應(yīng)檢索策略根據(jù)每個查詢的復雜性動態(tài)決定是否檢索文檔。根據(jù)實體的頻率來確定查詢的復雜性級別，并建議僅當頻率低于一定閾值時才使用檢索模塊。然而，這種方法僅關(guān)注于檢索與否的二元決策，可能不足以解決需要多個推理步驟的更復雜的查詢。

分別使用三種策略來運用RAG進行回答：

Adaptive Retrieval-Augmented Generation (Adaptive-RAG) 是一種新型的問答框架，它能夠根據(jù)問題的復雜性動態(tài)選擇最適合的策略來處理檢索增強的大型語言模型（LLMs）。這三種策略包括：

1. 非檢索方法（No Retrieval）：這是最簡單的策略，直接使用大型語言模型（LLM）本身的知識庫來生成答案。這種方法適用于那些模型已經(jīng)知道答案的簡單問題，不需要額外的外部信息。

2. 單步檢索方法（Single-step Approach）：當問題需要額外的信息時，這種方法會先從外部知識源檢索相關(guān)信息，然后將檢索到的文檔作為上下文信息輸入到LLM中，幫助模型生成更準確的答案。這種方法適用于需要一次額外信息檢索的中等復雜度問題。

3. 多步檢索方法（Multi-step Approach）：對于最復雜的問題，需要從多個文檔中綜合信息并進行多步推理。這種方法通過迭代地訪問檢索器和LLM，逐步構(gòu)建起解決問題所需的信息鏈。這種方法適用于需要多步邏輯推理的復雜問題。

Adaptive-RAG的核心在于它能夠通過一個分類器來評估問題的復雜性，然后根據(jù)這個評估結(jié)果選擇最合適的處理策略。分類器是一個較小的語言模型，它被訓練來預測傳入問題（query）的復雜性級別，并自動收集標簽，這些標簽來自于模型預測的實際結(jié)果和數(shù)據(jù)集中固有的歸納偏差。

通過這種方式，Adaptive-RAG能夠靈活地在不同的檢索增強LLM策略之間進行切換，從而在處理各種復雜性的問題時，實現(xiàn)更高的效率和準確性。這種方法在實驗中顯示出，與現(xiàn)有的自適應(yīng)檢索方法相比，Adaptive-RAG在多個開放域問答數(shù)據(jù)集上都取得了更好的整體效率和準確性。

在Adaptive-RAG模型中，訓練分類器以準確評估問題的復雜性是一個關(guān)鍵步驟。這個過程涉及以下幾個關(guān)鍵步驟：

1. 定義復雜性標簽：首先，需要定義問題的復雜性等級。在Adaptive-RAG中，通常有三個類別：簡單（A）、中等（B）和復雜（C）。簡單問題可以直接由LLM回答，中等復雜度問題需要單步檢索，而復雜問題則需要多步檢索和推理。

2. 自動收集訓練數(shù)據(jù)：由于沒有現(xiàn)成的帶有復雜性標簽的查詢數(shù)據(jù)集，Adaptive-RAG通過兩種策略自動構(gòu)建訓練數(shù)據(jù)集：

? 從不同檢索增強LLM策略的預測結(jié)果中標注查詢的復雜性。
如果非檢索方法能夠正確生成答案，則對應(yīng)問題的標簽為簡單（A）；
如果單步檢索方法和多步檢索方法都能正確回答，而非檢索方法失敗，則對應(yīng)問題的標簽為中等（B）；
如果只有多步檢索方法能夠正確回答，則對應(yīng)問題的標簽為復雜（C）。

? 利用基準數(shù)據(jù)集中的固有偏差來標注未標記的查詢。
例如，如果一個查詢在單步數(shù)據(jù)集中未被標記，則自動分配標簽為中等（B）；
如果在多步數(shù)據(jù)集中未被標記，則自動分配標簽為復雜（C）。

3. 訓練分類器：使用自動收集的查詢-復雜性對數(shù)據(jù)集，訓練一個較小的語言模型作為分類器。這個分類器的目標是根據(jù)輸入的問題（query）預測其復雜性級別。訓練過程中，使用交叉熵損失函數(shù)，并選擇在驗證集上表現(xiàn)最佳的迭代次數(shù)。

4. 評估和優(yōu)化分類器：在訓練完成后，評估分類器的性能，包括準確率和其他相關(guān)指標。如果分類器的性能不足，可能需要進一步優(yōu)化，例如通過調(diào)整模型結(jié)構(gòu)、增加訓練數(shù)據(jù)或改進數(shù)據(jù)標注策略。

5. 集成到Adaptive-RAG框架：將訓練好的分類器集成到Adaptive-RAG框架中。在推理階段，分類器用于預測新問題的復雜性，然后根據(jù)這個預測結(jié)果選擇最合適的問答策略。

通過這種方法，Adaptive-RAG能夠動態(tài)地調(diào)整其查詢處理策略，以適應(yīng)不同復雜性的問題，從而提高問答系統(tǒng)的整體效率和準確性。

性能

圖片

上圖展示了不同檢索增強生成方法在問答任務(wù)中的性能和效率對比。這些方法包括不使用檢索的單步方法、自適應(yīng)檢索方法、多步方法，以及本文提出的Adaptive-RAG方法。圖中的橫軸表示每個查詢的處理時間，縱軸表示問答任務(wù)的性能，通常使用F1分數(shù)（F1 Score）來衡量。

從圖中可以看出，Adaptive-RAG方法在處理各種復雜性的查詢時，能夠在保持較高F1分數(shù)的同時，減少每個查詢的處理時間。這意味著Adaptive-RAG方法在提高問答系統(tǒng)整體效率的同時，也增強了系統(tǒng)的準確性。

具體來說，不使用檢索的單步方法（No Retrieval）在處理簡單查詢時效率較高，但在處理復雜查詢時性能下降。自適應(yīng)檢索方法（Adaptive Retrieval）和多步方法（Multi-step Approach）雖然能夠處理更復雜的查詢，但它們在效率上有所犧牲，尤其是多步方法，其處理時間顯著增加。

相比之下，Adaptive-RAG方法通過動態(tài)選擇最合適的檢索策略，實現(xiàn)了在簡單和復雜查詢之間的有效平衡。這表明Adaptive-RAG方法能夠根據(jù)查詢的實際需求，靈活地調(diào)整其處理策略，從而在不同的問答場景中都能取得良好的性能。

Arxiv^[1]

引用鏈接

??[1]?? Arxiv: https://arxiv.org/abs/2403.14403

本文轉(zhuǎn)載自 ??大語言模型論文跟蹤??，作者：HuggingAGI