본 논문은 대규모 언어 모델(LLM)의 세 가지 환각 유형(입력 충돌, 맥락 충돌, 사실 충돌)을 완화하기 위해, 이들 간의 상호 의존성을 활용하는 다중 정보 어댑터(MALM) 프레임워크를 제안합니다. MALM은 다중 그래프 학습 접근 방식을 사용하여 원본 입력, 맥락 정보 및 외부 사실적 지식 간의 상호 연결을 명확히 하여 세 가지 유형의 환각을 통합적으로 완화합니다. HaluEval, TruthfulQA, Natural Questions, TriviaQA 네 가지 벤치마킹 데이터셋을 사용하여 실험을 수행하였으며, 다양한 기본 LLM에 대한 적응성과 검색 증강 생성(RAG)에 대한 일반화 가능성을 평가했습니다. GPT-4와 인간 평가자 모두 MALM이 LLaMA-2보다 우수함을 보였습니다.
