本文主要是介绍Re59：读论文 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
诸神缄默不语-个人CSDN博文目录
诸神缄默不语的论文阅读笔记和分类
论文名称：Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
模型开源地址：https://huggingface.co/facebook/rag-token-nq
ArXiv下载地址：https://arxiv.org/abs/2005.11401
本文是2020年NeurIPS论文，属于RAG+LLM领域。作者来自Facebook
本文的研究背景也是说直接用LM存储的知识不够，且难以扩展和修正，有幻觉，还是得上检索（提供决策出处，可以更新知识）。
LM是预训练的seq2seq模型（BART），知识库是维基百科的稠密向量索引（用预训练的神经网络实现检索 Dense Passage Retriever (DPR)）。要么一次检索一波（per-output basis），要么一个token检索一波（per-token basis）（这个见模型部分）。
其实看起来就是REALM的拓展版，将检索文档改成视为隐变量，然后拓展了下游任务，而且是全链路端到端的训练。
比REALM迟，参考文献里就有REALM。但是不用代价高昂的“salient span masking” pre-training
总之整个工作还是做得很全面的，实验充分，真羡慕啊。
文章目录
- 1. related work
- 2. 模型
- 3. 实验
1. related work
non-parametric memory除检索外的形式：
memory networks
stack-augmented networks
memory layers
RAG知识量大而且不需要额外训练
knowledge-intensive tasks：人们认为没有额外知识就没法做的任务，比如常识题（什么行测）
2. 模型
端到端训练：将检索到的文档视为隐变量
RAG-Sequence：对每一篇检索文档都预测完整的生成结果，加总
RAG-Token：每一个token都是大家的机会，每个token上重新检索一次
检索器DPR
top k：Maximum Inner Product Search (MIPS)问题 ← FAISS
生成器BART
（在实验中只更新query encoder和生成器）
训练时没有检索文档的标注信息。
解码：
- RAG-Token：标准生成任务
- RAG-Sequence：Thorough Decoding + Fast Decoding（没看懂其实，以后再看）
3. 实验
Jeopardy Question Generation指标这里用了一个Q-BLEU，以前我还真没见过
还有一条是生成能获得原文中没有的结果
在生成方面还有一些别的优势，略。
RAG-Token的后验概率可视化：
这里面这个太阳照常升起和永别了武器都是在开头概率高了点，后面就平了，论文里提及认为这里时因为模型内置信息能够自己填完了，还做了个小实验。
生成的多样性：
冻结检索器的消融实验：
更新知识的实验
检索文档数（K）的影响：
这篇关于Re59：读论文 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
