Key points are not available for this paper at this time.
대형 언어 모델(LLMs)의 환각을 완화하고 이를 향상시키는 것은 중요한 작업이다. 기존의 일부 방법은 모델 자체 향상 기법을 사용하지만, 알려지지 않은 사실적 환각을 효과적으로 해결하지 못한다. 지식 그래프(KG) 향상 접근법을 사용하는 것은 서로 다른 KG 소스 간의 일반화와 개방형 답변 질문의 향상을 동시에 해결하지 못한다. 이러한 한계를 극복하기 위해, 의사 그래프 생성과 원자 지식 검증을 결합한 프레임워크가 제안되었다. 개방형 질문 응답 설정에서 KG를 이용한 LLM 향상은 의사 그래프 생성을 활용하여 구현된다. 원자 지식 검증은 서로 다른 KG 소스에서 일반성을 달성하기 위해 원자 수준의 지식 쿼리 및 검증을 활용한다. 기준선과 비교할 때, 이 접근법은 개방형 질문에 대해 ROUGE-L 점수에서 최소 11.5의 향상을 가져온다. 정확한 질문에 대해서는 최소 7.5의 정확도 향상이 관찰된다. 또한, 이 프레임워크가 서로 다른 KG 소스에 대해 일반성을 나타낸다는 것도 입증된다. 요약하자면, 우리의 결과는 개방형 질문의 맥락에서 의사 및 다중 출처 KG를 포함하여 LLM을 향상시키기 위한 길을 열어준다.
Liu et al. (Thu,)은 이 질문을 연구했습니다.