Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Balancing Truthfulness and Informativeness with Uncertainty-Aware Instruction Fine-Tuning

Created by
  • Haebom

저자

Tianyi Wu, Jingwei Ni, Bryan Hooi, Jiaheng Zhang, Elliott Ash, See-Kiong Ng, Mrinmaya Sachan, Markus Leippold

개요

본 논문은 지시어 미세조정(Instruction Fine-Tuning, IFT)이 대규모 언어 모델(LLM)의 정보성을 높이지만, 사실성을 떨어뜨릴 수 있다는 문제를 다룹니다. IFT는 사전 훈련 과정에서 충분히 다루지 못한 긴 꼬리 지식을 포함하는 응답을 생성하도록 LLM을 유도하기 때문에, 새로운 작업에 일반화할 때 정보성은 높아지지만 정확성은 낮아지는 trade-off 현상이 발생합니다. 이에 본 논문에서는 IFT 데이터셋 내 생소한 지식이 LLM의 사실성에 부정적인 영향을 미치는 것을 실험적으로 보여주고, 이 문제를 해결하기 위한 두 가지 새로운 IFT 패러다임인 $UNIT_{cut}$과 $UNIT_{ref}$를 제시합니다. $UNIT_{cut}$은 IFT 데이터셋에서 생소한 지식을 식별하고 제거하여 모델의 사실성에 미치는 영향을 완화하는 반면, $UNIT_{ref}$는 LLM이 자신의 불확실성을 인식하고 응답 끝에 명시적으로 표시하도록 훈련합니다. 실험 결과, $UNIT_{cut}$은 LLM의 사실성을 상당히 향상시키는 반면, $UNIT_{ref}$는 높은 정보성을 유지하면서 자신감 있는 진술과 불확실한 진술을 구분하여 환각(hallucination)을 줄입니다.

시사점, 한계점

시사점:
IFT 데이터셋 내 생소한 지식이 LLM의 사실성에 미치는 부정적 영향을 실증적으로 밝힘.
$UNIT_{cut}$과 $UNIT_{ref}$라는 두 가지 새로운 IFT 패러다임을 제시하여 LLM의 사실성과 정보성을 개선.
$UNIT_{cut}$은 LLM의 사실성을 향상시키고, $UNIT_{ref}$는 정보성을 유지하면서 환각을 감소시킴.
한계점:
제안된 방법의 일반화 성능에 대한 추가적인 연구가 필요.
다양한 종류의 LLM과 IFT 데이터셋에 대한 실험이 추가적으로 필요.
$UNIT_{cut}$에서 생소한 지식을 식별하는 기준의 객관성 및 신뢰성에 대한 검토 필요.
$UNIT_{ref}$에서 불확실성을 표현하는 방법의 효과 및 한계에 대한 심층적인 분석 필요.
👍