表示
超・人工知能研究所 Super AI Research Lab トップへ超・人工知能研究所AI Research Lab / ぱそ太郎工事中

since
平成38年9月29日

← 検索結果に戻る

検索するか、引用が答えを支えるかを自ら判定するSelf-RAG

Self-RAG

保存した記事を見るこのブラウザに保存します。無料会員で端末間の同期・フォルダ整理

概要

  • 生成途中の専用記号で、検索の要否と回答の根拠・有用性を判定する。
  • 必要時には複数の資料を評価し、引用に支えられた回答候補を選ぶ。
  • 著者らは複数課題で従来の言語モデルや検索付きモデルを上回ったと報告する。
補足:編集した模式図で仕組みを確認する

VISUAL EXPLAINER

図でつかむ、Self-RAGの仕組み

左から右へ読む
  1. 01質問と文書群
  2. 02検索の要否を判定
  3. 03資料と回答を評価
  4. 04引用付き回答

原論文の説明をもとにした模式図です。処理の細部は省略しています。

研究の背景

言語モデルは、内部に覚えた情報だけで答えると事実を誤ることがある。外部文書を検索して回答に添える検索拡張生成(RAG)は、その対策になる。ただし、どんな質問でも同じ数の文章を取り出すと、不要な情報や無関係な内容が回答に入る。

さらに、引用を付けても、実際の文が引用先に支えられているとは限らない。必要なときに調べ、調べた内容と回答の関係を確かめる仕組みが課題となる。

手法

Self-RAGは、文章を少しずつ生成しながら「検索するか」を示す専用の記号を出す。著者らはこれを反省トークンと呼ぶ。検索が必要なら検索器で複数の文章を取り出し、それぞれの関連性を判定する。例えば出張規程の期限を尋ねられた場合、期限を述べる文書片を探し、それに沿った回答の一文を候補として作る。

続いて、その一文が資料に完全に支えられるか、一部だけか、支えがないかを判定し、回答の有用性も評価する。候補の順位付けにこれらの判定を使い、文章の続きを生成する。学習時には別の批評モデルが付けた記号を含む例で生成モデルを訓練するため、回答時には批評モデルを別途動かさずに判定記号を出せる。

新規性

Self-RAGの特徴は、検索の要否だけでなく、資料の関連性、回答が資料に支えられているか、有用な答えかを、文章生成の途中で専用の記号として出力する点にある。学習時に批評役のモデルが付けた記号を生成モデルに学ばせ、回答時には生成モデル自身の判定で検索や候補選択を進める。

この記号を利用し、用途に応じて検索頻度や出典の重視度を調整できると著者らは述べる。

従来手法との違い

従来型の検索拡張生成(RAG)は、質問ごとに決まった数の文章を取り出してモデルへ渡すことが多い。検索が不要な質問にも外部文章が入り、関連の薄い文章に引っ張られる場合がある。また、文章を渡しただけでは、その内容に沿って答えた保証にはならない。

Self-RAGは必要性を判定して検索し、複数の候補資料ごとに回答の一部を作って評価する。著者らはChatGPTや検索付きLlama2-chatなどと比較したが、確認できた本文の範囲では各課題の数値を網羅した結果表は確認できない。

実験結果

著者らは70億・130億パラメータのSelf-RAGを、開放型質問応答、推論、事実検証、長文生成など複数の課題で評価した。検索付きLlama2-chatやChatGPTなどとの比較で、質問応答、推論、事実検証の成績、および長文生成の事実性と引用の正確さに改善があったと報告する。

確認できた本文の範囲では、各課題のデータ件数、指標ごとの最終数値、比較条件をそろえた詳細な結果表までは確認できない。一方、批評モデルの学習では記号の種類ごとに約4,000~20,000件の教師データを集め、ほとんどの種類でGPT-4による判定との一致率が90%を超えたと記している。

応用の可能性

編集上の応用案 · 論文が実証した用途とは区別しています。

編集上の応用案:社内規程について「出張の精算期限はいつか」と質問すると、規程を検索し、該当箇所を引用した回答を返す。文面の整形だけで済む依頼なら検索を省く。入力は質問と検索対象の規程文書、出力は回答、参照箇所、資料による裏付けの判定である。

担当者は期限の記述と引用箇所を照合する。規程の改定後にも古い記述が混ざらないよう、検索対象の更新と回答の確認を運用に含める。

応用先の候補からNauhに相談できます。

導入時の検証

導入時の検証案 · 対象データでの再評価が必要です。

導入時の検証案:回答が明確に文書を要する質問と、文書を要しない文章整形の依頼を用意する。同じ文書集合で、毎回一定数を検索するRAGと、検索要否を判定する方式を比較する。

検索した割合、必要な文書の取得率、回答中の主張が引用箇所に支えられる割合、無関係な引用の割合、応答までの時間を記録する。特に「検索不要」とした質問で根拠不足が起きないかを人が確認し、判定の使い方を決める。

限界と課題

著者ら自身、通常のRAGでは無関係な文章や根拠と一致しない回答が問題になると述べる。Self-RAGも、生成モデルが出す「支えられている」という判定が、そのまま外部の正しさの証明になるわけではない。

編集上の確認事項は、検索先に正しい最新版があるか、引用箇所が回答の各主張を実際に支えるか、検索回数を減らした結果として必要な根拠を取り逃さないかである。学習に批評役のラベルと追加工程が必要な点も、導入負担として測る必要がある。

応用先の候補
研究内容と応用案に基づく分類です。業界での導入実績を示すものではありません。

出典

元のタイトル・要旨を確認する(英語)

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

Despite their remarkable capabilities, large language models (LLMs) often produce responses containing factual inaccuracies due to their sole reliance on the parametric knowledge they encapsulate. Retrieval-Augmented Generation (RAG), an ad hoc approach that augments LMs with retrieval of relevant knowledge, decreases such issues. However, indiscriminately retrieving and incorporating a fixed number of retrieved passages, regardless of whether retrieval is necessary, or passages are relevant, diminishes LM versatility or can lead to unhelpful response generation. We introduce a new framework called Self-Reflective Retrieval-Augmented Generation (Self-RAG) that enhances an LM's quality and factuality through retrieval and self-reflection. Our framework trains a single arbitrary LM that adaptively retrieves passages on-demand, and generates and reflects on retrieved passages and its own generations using special tokens, called reflection tokens. Generating reflection tokens makes the LM controllable during the inference phase, enabling it to tailor its behavior to diverse task requirements. Experiments show that Self-RAG (7B and 13B parameters) significantly outperforms state-of-the-art LLMs and retrieval-augmented models on a diverse set of tasks. Specifically, Self-RAG outperforms ChatGPT and retrieval-augmented Llama2-chat on Open-domain QA, reasoning and fact verification tasks, and it shows significant gains in improving factuality and citation accuracy for long-form generations relative to these models.

論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29