<mark id="oztn4"></mark>
0
| 本文作者： 我在思考中 | 2022-12-23 16:50 |
作者｜黃楠、李梅
推理能力是機(jī)器接近人類智能的一個重要指標(biāo)。
最近的大型語言模型（Large language mode，LLM）正在變得越來越擅長推理，背后的一個關(guān)鍵技術(shù)是思維鏈（chain-of-thought，CoT），簡單來說，CoT 可以讓 LLM 模擬人類思考的過程，幫助大型語言模型生成一個推理路徑，將復(fù)雜的推理問題分解為多個簡單的步驟，而不僅僅只是一個最終答案，從而增強(qiáng)模型的推理能力。
對人類而言，我們推斷得出一個結(jié)論后，往往會通過重新驗(yàn)證來進(jìn)行核對、避免錯誤。但當(dāng) LLM 在通過 CoT 執(zhí)行復(fù)雜推理尤其是算術(shù)和邏輯推理的過程中若出現(xiàn)錯誤，會在一定程度上影響推理效果，所以不得不進(jìn)行人工驗(yàn)證。
那么能不能讓語言模型也具備自我糾錯和自我驗(yàn)證的能力呢？
近日，中國科學(xué)院自動化所的研究團(tuán)隊(duì)提出了一種新方法證明了 LLM 可對自己的推理結(jié)論進(jìn)行可解釋的自我驗(yàn)證，從而大大提高推理性能，這讓 LLM 朝著人類智能又前進(jìn)了一步。
當(dāng)涉及復(fù)雜推理時，語言模型往往缺乏穩(wěn)健性，一旦發(fā)生任何一個小錯誤，都可能會改變命題的全部含義，從而導(dǎo)致出現(xiàn)錯誤答案。使用CoT 提示進(jìn)行推理時，問題會更嚴(yán)重，由于模型沒有糾錯機(jī)制，以至于很難從錯誤的假設(shè)中糾正過來。
以往的一種解決方法是通過訓(xùn)練驗(yàn)證器（verififiers）來評估模型輸出正確性。但訓(xùn)練驗(yàn)證器有三個大缺點(diǎn)：需要大量的人力和計(jì)算資源、可能存在誤報(bào)、可解釋性差。
為此，中科院團(tuán)隊(duì)提出讓 LLM 進(jìn)行自我驗(yàn)證。
首先，假設(shè)推理問題中的所有條件對于得出結(jié)論都是必要的，給定結(jié)論和其他條件后，可推導(dǎo)出其余條件。自我驗(yàn)證分兩個階段進(jìn)行：
正向推理，LLM 生成候選思維鏈和結(jié)論給定的問題文本；
反向驗(yàn)證，使用 LLM 來驗(yàn)證條件是否滿足候選結(jié)論，并根據(jù)驗(yàn)證分?jǐn)?shù)對候選結(jié)論進(jìn)行排序。
如下圖，對于“Jackie 有 10 個蘋果（f1），Adam 有 8 個蘋果（f2），Jackie 比 Adam 多了多少個蘋果？”這個問題，可從 f1 和 f2 推理出結(jié)論 fy。然后，通過反向驗(yàn)證來檢驗(yàn)該結(jié)論的準(zhǔn)確性，就像解方程一樣，如果以 f2 和 fy 為條件，可以得出 f1，通過驗(yàn)證 f1 是否與原來的 f1 結(jié)果一致，可以判斷 fy 的正確性。
圖 1：正向推理與反向驗(yàn)證
研究表明，LLM 僅需少量提示即可使用自我驗(yàn)證，無需訓(xùn)練或梯度更新。它們用候選結(jié)論來驗(yàn)證，解決了原 CoT 中偏離正確思維過程的問題。而且，驗(yàn)證分?jǐn)?shù)源自整個思維推理過程，可解釋性很高。
通過對 GPT?3、CODEX 和 Instruct?GPT 等大模型的實(shí)驗(yàn)分析，這項(xiàng)研究證明了 LLM 具備可解釋的自我驗(yàn)證能力。
自我驗(yàn)證的整個過程如圖 2所示。第一步與 CoT 類似，但研究通過采樣解碼生成多個候選結(jié)論，計(jì)算每個候選結(jié)論的驗(yàn)證分?jǐn)?shù)，并選擇最高分?jǐn)?shù)作為最終結(jié)論。
圖 2：自我驗(yàn)證示例；LLM 在第一階段中生成一些候選結(jié)論，三個預(yù)訓(xùn)練語言模型用于大量自動構(gòu)建的數(shù)值推理問題，但這些方法需要大量的數(shù)據(jù)和專家注釋，然后 LLM 依次驗(yàn)證這些結(jié)論，統(tǒng)計(jì)推理正確的屏蔽條件的個數(shù)作為第二階段的驗(yàn)證分?jǐn)?shù)
圖 3：這是一個需要使用多個條件的示例；如果只屏蔽第一個證據(jù)，則不需要這個證據(jù)（前向推理時，需要計(jì)算周末的錢，周五的工作時數(shù)不影響最終結(jié)論）。因此，我們無法根據(jù)現(xiàn)有條件和任何候選結(jié)論來預(yù)測此證據(jù)
給定一個語言模型 M 和一個問答數(shù)據(jù)集 D，CoT 為 D 設(shè)計(jì)了一組樣本 C，其中包含 n 個樣本，epoch 樣本有包含條件和問題的輸入 X，思維過程 t 和結(jié)論 y。這些示例用作測試時間的輸入。通常 n 是一位數(shù)，因此需要語言模型 M 在生成 y 之前安裝 C 生成 t 的提示：
C 中的每個示例都連接為提示。
使用 Sampling 解碼生成 K y，K 是 y 的個數(shù)。具體來說，采樣譯碼是一種隨機(jī)譯碼方法，它可以在每一步從可能生成的詞的概率分布中采樣來選擇下一個詞，重復(fù)使用 Sampling 解碼可以得到多個候選結(jié)論。
對輸入的 X 進(jìn)一步細(xì)分為
其中每個 f 是一個條件，q 是一個問題。我們使用命令“請把問題和答案改成完整的陳述句[q] The answer is [y]”通過 M 把 q 和 y 改成新的陳述句 fy 。
在問題生成上，問題的多樣性使得在實(shí)際操作中很難平衡問題和答案之間的連貫性和事實(shí)一致性的需要，因此直接屏蔽條件。首先，通過正則匹配找到 f1 中的值改寫為 X，在新問題的末尾加入“What is the answer of X？” ，從而提示語言模型指示目標(biāo)。
如圖 4 所示，如果給定的 X 不滿足所有條件都是結(jié)論的必要條件，可以發(fā)現(xiàn)只有掩碼的第一個條件會有局限性，難以準(zhǔn)確評估其驗(yàn)證分?jǐn)?shù)。為了解決這個問題，可以采用多個條件依次驗(yàn)證的方法：依次用 X 替換原始 X 中出現(xiàn)的所有 f，并要求 M 重新預(yù)測它，提高驗(yàn)證的可靠性和準(zhǔn)確性。
圖 4：在八個基準(zhǔn)數(shù)據(jù)集上進(jìn)行評估，這些基準(zhǔn)數(shù)據(jù)集涵蓋了算術(shù)推理、常識推理和邏輯推理任務(wù)
研究人員設(shè)計(jì)了一個類似于正向推理的 CoT 以指導(dǎo) LLM 生成解決過程。而反向驗(yàn)證過程類似于求解方程式，可將其最終結(jié)果與屏蔽條件進(jìn)行匹配。
由于 LLM 本身性能有限，在反向驗(yàn)證過程中，單次解碼會因隨機(jī)性導(dǎo)致驗(yàn)證結(jié)果出現(xiàn)偏差，難以保證更準(zhǔn)確的驗(yàn)證分?jǐn)?shù)。為了解決這個問題，采樣解碼過程將重復(fù) P 次，這樣驗(yàn)證分?jǐn)?shù)就可以更準(zhǔn)確地反映模型對給定結(jié)論的置信度。
驗(yàn)證分?jǐn)?shù)計(jì)算如下：
其中，1（.）為指示函數(shù)，從生成的 K 個候選答案中選擇驗(yàn)證分?jǐn)?shù)最高的一個作為結(jié)果，
任務(wù)和數(shù)據(jù)集
此項(xiàng)研究評估了6個算術(shù)推理數(shù)據(jù)集，進(jìn)一步證明了自我驗(yàn)證在常識推理和邏輯推理數(shù)據(jù)集上的有效性。這些數(shù)據(jù)集在輸入格式方面高度異質(zhì)：
算術(shù)，前兩個是一步推理的數(shù)據(jù)集，后四個需要多步推理，解決起來比較有挑戰(zhàn)性
常識，CommonsenseQA（CSQA）需要使用常識和關(guān)于世界的知識才能準(zhǔn)確回答具有復(fù)雜含義的問題，其依賴于先驗(yàn)知識來提供準(zhǔn)確的響應(yīng)
邏輯，日期理解要求模型從一個上下文推斷日期
型號
研究人員在實(shí)驗(yàn)中測試來原始 CODEX 模型和 Instruct?GPT 模型，此外還通過使用 GPT?3 進(jìn)行分析實(shí)驗(yàn)，研究了不同參數(shù)級別對可驗(yàn)證性的影響，LLM 的大小范圍為 0.3B 到 175B 。這些實(shí)驗(yàn)使用了 OpenAI 的 API 來獲得推理結(jié)果。
實(shí)驗(yàn)結(jié)果表明，使用了自我驗(yàn)證的兩個模型在多個任務(wù)中實(shí)現(xiàn)了 SOTA 性能。
圖 5：推理數(shù)據(jù)集上的問題解決率（%）
可以看到，自我驗(yàn)證在算術(shù)數(shù)據(jù)集上實(shí)現(xiàn)了1.67%/2.84%的平均改進(jìn)，并為常識推理和邏輯推理任務(wù)帶來了少量優(yōu)化。此外，自我驗(yàn)證還直接導(dǎo)致高性能 Instruct?GPT 模型結(jié)果平均增加2.33%，這表明，具有強(qiáng)大前向推理能力的模型也具有很高的自我驗(yàn)證能力。
研究人員進(jìn)一步發(fā)現(xiàn)了以下幾個關(guān)鍵結(jié)論。
可用條件越多，驗(yàn)證準(zhǔn)確性越高
圖 6：單條件驗(yàn)證與多條件驗(yàn)證的問題解決率（%）比較
圖 6 中觀察了對六個不同算術(shù)數(shù)據(jù)集使用單一條件掩碼的效果：由于這些數(shù)據(jù)集輸入中的每個數(shù)字都可以被視為一個條件，因此可以研究增加驗(yàn)證條件數(shù)量的影響。經(jīng)大多數(shù)實(shí)驗(yàn)可發(fā)現(xiàn)，多條件掩碼比單條件掩碼表現(xiàn)更好，并且都比原始 CoT 表現(xiàn)更好。
模型越大，自我驗(yàn)證能力越強(qiáng)
圖 7：不同尺寸模型的自我驗(yàn)證能力
圖 7顯示了參數(shù)從 0.4B 到 175B 的 GPT?3 模型能力。實(shí)驗(yàn)結(jié)果表明，當(dāng)參數(shù)較小時，模型的自驗(yàn)證能力較弱，甚至不如 CoT 的原始性能。這說明，模型的自我驗(yàn)證也是一種涌現(xiàn)能力，且往往出現(xiàn)在更大的模型中。
思維鏈提示很少并不影響自我驗(yàn)證能力
圖 8：2 次提示和8 次提示的問題解決率（%）比較
圖 8 所示的實(shí)驗(yàn)結(jié)果顯示了不同的提示量對性能的影響。可以看到，自我驗(yàn)證在較小的樣本中表現(xiàn)出更大的穩(wěn)健性，甚至低至 2 次，這時候其 8 次提示的性能是 99.6%，而 CoT 只有 98.7%。不僅如此，即使只有 4 個提示（2 個 CoT 提示+ 2 個自我驗(yàn)證提示），自我驗(yàn)證也明顯優(yōu)于 CoT 8 次提示，突出了自我驗(yàn)證在數(shù)據(jù)有限情況下的重要性。
圖 9：不同驗(yàn)證方式的提示對比
與其它方法相比，條件掩碼的自我驗(yàn)證性能更優(yōu)
有另一種方法可以驗(yàn)證模型答案的正確性：真-假項(xiàng)目驗(yàn)證，這以方法是模型對所有條件進(jìn)行二分判斷，如圖 12 所示，不覆蓋任何條件。此研究還提供了一個反向推理的例子，并嘗試讓模型自動從結(jié)論是否滿足條件進(jìn)行反向推理，但實(shí)驗(yàn)結(jié)果如圖 10 所示，真-假項(xiàng)目驗(yàn)證的性能，要落后于條件掩碼驗(yàn)證的性能。
圖 10：6 個算術(shù)數(shù)據(jù)集的問題解決率（%）條件掩碼驗(yàn)證和真-假項(xiàng)目驗(yàn)證的比較
為了理解這種差距的原因，研究分析了具體案例，如圖 11 所示，結(jié)果表明：（1）缺乏明確的反向推理目標(biāo)導(dǎo)致模型再次從正向推理，該結(jié)果沒有意義、并且不利用現(xiàn)有的結(jié)論；（2）真-假項(xiàng)目驗(yàn)證提供了所有的條件，但這些條件可能會誤導(dǎo)模型的推理過程，使模型沒有起點(diǎn)。因此，更有效的做法是使用條件掩碼驗(yàn)證，從而更好地激發(fā)模型的自我驗(yàn)證能力。
圖 11：一些實(shí)際生成案例進(jìn)一步展示了不同驗(yàn)證方法的影響
LLM 的自我驗(yàn)證能糾錯，但可也能「誤傷」
圖 12 展示了 LLM 使用自我驗(yàn)證來驗(yàn)證其自身結(jié)果的詳細(xì)結(jié)果：
圖 12：使用 Instruct?GPT 為八個數(shù)據(jù)集中的每一個生成了五組候選答案，然后利用 Instruct?GPT 的自我驗(yàn)證 能力，對它們進(jìn)行一一判斷和排序
左邊的扇形圖顯示了自我驗(yàn)證產(chǎn)生的候選結(jié)論的預(yù)測結(jié)果。LLM 在每次提示中產(chǎn)生1-5個候選結(jié)論（由于 LLM 的自洽性，可能會產(chǎn)生相同的候選結(jié)論），這些結(jié)論可能是正確的，也可能是錯誤的，再通過 LLM 自我驗(yàn)證來檢驗(yàn)這些結(jié)論，并將其類為真陽性（TP）、真陰性（TN）、假陰性（FN）或假陽性（FP）。可以發(fā)現(xiàn)，除了 TP 和 TN 之外，還有大量的 FN，但只有少量的 FP。
右邊的表格顯示了召回率明顯高于準(zhǔn)確率，由此可以說明，LLM 的自我驗(yàn)證可以準(zhǔn)確剔除不正確的結(jié)論，但也可能將一個正確結(jié)論錯誤地認(rèn)為是不正確的。這可能是由于反向驗(yàn)證時方程錯誤或計(jì)算錯誤造成的，這一問題將在未來解決。
最后總結(jié)一下，這項(xiàng)工作提出的自我驗(yàn)證方法能夠讓大型語言模型和提示來引導(dǎo)模型驗(yàn)證自己的結(jié)果，能提高 LLM 在推理任務(wù)中的準(zhǔn)確性和可靠性。
但需要注意的是，這些提示是人為構(gòu)造的，可能會引入偏差。所以方法的有效性會受到 LLM 產(chǎn)生的候選結(jié)論中正確答案的存在的限制，因此取決于模型正確前向推理的能力。
此外，該方法涉及生成多個候選 CoT 和結(jié)論，這對于 LLM 來說也存在計(jì)算資源的消耗。雖然它可以幫助 LLM 避免來自不正確的 CoT 干擾，但也可能無法完全消除推理過程中的錯誤。
更多內(nèi)容，點(diǎn)擊下方關(guān)注：
未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！
公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。
雷峰網(wǎng)(公眾號：雷峰網(wǎng))
