Compositional Multi-hop Factual Error Correction via Decomposition-and-Injection
यह शोध पत्र CECoR को प्रस्तुत करता है, जो एक रीजनिंग-अवेयर फ्रेमवर्क है जो मल्टी-हॉप दावों को विघटित करने और प्रशिक्षण डेटा को संश्लेषित करने के लिए एक डिकंपोज़िशन-एंड-इंजेक्शन प्रतिमान (decomposition-and-injection paradigm) का उपयोग करता है, जिससे मौजूदा विधियों की तुलना में जटिल, मल्टी-हॉप कार्यों पर तथ्यात्मक त्रुटि सुधार प्रदर्शन में महत्वपूर्ण सुधार होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक न्यूज़रूम के फैक्ट-चेकर हैं। आपका काम उन कहानियों को ठीक करना है जो गलत हो गई हैं। लेकिन यहाँ एक पेच है, कुछ कहानियाँ सरल होती हैं, जैसे "बिल्ली चटाई पर है," जबकि कुछ जटिल पहेलियाँ होती हैं, जैसे "वह बिल्ली जिसने कुत्ते का पीछा किया जो फायर स्टेशन से भागा था, वह चटाई पर है।"
वर्तमान में अधिकांश AI टूल्स एक जूनियर इंटर्न की तरह हैं जिन्हें केवल सरल कहानियाँ ठीक करना आता है। यदि कहानी जटिल है, तो वे भ्रमित हो जाते हैं। वे पूरे वाक्य को एक साथ ठीक करने की कोशिश करते हैं या बस एक शब्द को बदल देते हैं, जिससे कहानी और भी खराब हो जाती है या गहरे तार्किक दोष अनछुए रह जाते हैं।
यह पेपर एक नई प्रणाली पेश करता है जिसे CECoR (कंपोजिशनल एरर करेक्शन वाया रीजनिंग-अवेयर सिंथेसिस) कहा जाता है। CECoR को एक जूनियर इंटर्न के रूप में नहीं, बल्कि एक मास्टर एडिटर के रूप में देखें जो यहाँ तक कि उलझी हुई, बहु-स्तरीय कहानियों को ठीक करने के लिए एक विशेष तीन-चरणीय प्रक्रिया का उपयोग करता है।
1. समस्या: "एटॉमिक" गलती
वर्तमान विधियाँ एक कहानी को मिट्टी के एक एकल, सपाट ब्लॉक की तरह मानती हैं। यदि कोई गलती है, तो वे सतह से उसे छीलने की कोशिश करती हैं।
- दोष: एक जटिल कहानी में, त्रुटि केवल एक शब्द नहीं है; यह तर्क की एक श्रृंखला है। यदि आप एक भाग को बदलते हैं, तो पूरी श्रृंखला ढह सकती है।
- उपमा: एक रूब गोल्डबर्ग मशीन (जटिल घटनाओं की एक श्रृंखला) की कल्पना करें। यदि पहली गेंद कप को मिस कर देती है, तो पूरी मशीन विफल हो जाती है। पुरानी विधियाँ मशीन के आखिरी कप को लाल रंग से पेंट करके मशीन को ठीक करने की कोशिश करती हैं। CECoR गेंदों और कपों की पूरी श्रृंखला को देखता है ताकि यह पता लगाया जा सके कि तर्क कहाँ टूटा है।
2. समाधान: "डिकम्पोजिशन एंड इंजेक्शन" वर्कशॉप
CECoR अलग तरह से काम करता है। एक बिखरी हुई कहानी को एक बड़े ब्लॉक के रूप में देखने के बजाय, यह इसे एक चरण-दर-चरण रेसिपी में तोड़ देता है।
चरण A: ब्लूप्रिंट (डिकम्पोजिशन/विघटन)
सबसे पहले, CECoR एक सही, जटिल कहानी लेता है और उसे एक तार्किक प्रोग्राम, जैसे कि फ्लोचार्ट में तोड़ देता है।
- उदाहरण: केवल "1955 में जन्मे अभिनेता जिन्होंने रैनसम में अभिनय किया, उन्होंने ऑस्कर जीता" को पढ़ने के बजाय, यह इसे इसमें तोड़ देता है:
- 1955 में जन्मे अभिनेता को खोजें।
- जाँच करें कि क्या वे रैनसम में थे।
- जाँच करें कि क्या उन्होंने ऑस्कर जीता।
- उत्तरों को संयोजित करें।
चरण B: द सबोटेज (इंजेक्शन/तोड़फोड़)
यहाँ चतुर हिस्सा है। चूंकि AI को सिखाने के लिए "गलत कहानियों" के वास्तविक उदाहरण पर्याप्त नहीं हैं, इसलिए CECoR अपनी खुद की अभ्यास समस्याएँ बनाता है।
- यह तार्किक ब्लूप्रिंट लेता है और जानबूझकर एक समय में एक चरण को तोड़ता है।
- यह एक नाम बदल देता है, एक "हाँ" को "नहीं" में बदल देता है, या श्रृंखला के केवल एक चरण में तारीख बदल देता है।
- फिर, यह इस टूटे हुए ब्लूप्रिंट से कहानी को फिर से बनाता है।
- परिणाम: यह हजारों "नकली" गलत कहानियाँ बनाता है जो सही उत्तर के साथ पूरी तरह से जुड़ी होती हैं। यह एक शिक्षक की तरह है जो एक छात्र को सिखाने के लिए एक विशिष्ट त्रुटि वाली हजारों गणित की समस्याएँ बनाता है।
चरण C: फ़िल्टर
हर टूटी हुई कहानी उपयोगी नहीं होती। कुछ अर्थहीन होती हैं। CECoR के पास एक सख्त गुणवत्ता नियंत्रण फ़िल्टर है। यह किसी भी ऐसी नकली कहानी को फेंक देता है जो व्याकरणिक रूप से समझ में नहीं आती या वास्तव में तथ्यों का खंडन नहीं करती है। यह केवल उच्च-गुणवत्ता वाले "गलत बनाम सही" जोड़ों को रखता है।
3. प्रशिक्षण: दो-चरणीय सीखना
एक बार जब CECoR के पास अपने आदर्श अभ्यास समस्याओं का पुस्तकालय हो जाता है, तो यह AI को दो चरणों में प्रशिक्षित करता है:
- चरण 1: क्लासरूम (सुपरवाइज्ड फाइन-ट्यूनिंग)
AI "नकली" गलत कहानियों का अध्ययन करता है और सही उत्तरों का उपयोग करके उन्हें ठीक करना सीखता है। यह पैटर्न सीखता है कि तर्क की श्रृंखलाएँ कैसे टूटती हैं। - चरण 2: वास्तविक दुनिया (रीइन्फोर्समेंट लर्निंग)
क्लासरूम के बाद, AI को असली दुनिया में छोड़ दिया जाता है। इसे वास्तविक, बिखरी हुई, स्वाभाविक रूप से होने वाली गलत कहानियाँ दी जाती हैं (वे नहीं जो इसने खुद बनाई हैं)। यह उन्हें ठीक करने की कोशिश करता है, और एक "जज" (दूसरा AI) इसे बताता है कि क्या सुधार वास्तव में सत्य है और क्या वह तर्कसंगत है। यदि AI अच्छा प्रदर्शन करता है, तो उसे एक "पुरस्कार" मिलता है। यह AI को मजबूत और वास्तविक दुनिया की अराजकता को संभालने में सक्षम बनाता है, न कि केवल पाठ्यपुस्तक के उदाहरणों को।
4. परिणाम: यह क्यों जीतता है
पेपर ने अन्य विधियों के मुकाबले CECO R का परीक्षण किया और पाया:
- जटिल पहेलियों में बेहतर: जबकि अन्य विधियाँ बहु-चरणीय कहानियों (जैसे रूब गोल्डबर्ग मशीन) में संघर्ष करती थीं, CECoR उत्कृष्ट रहा क्योंकि इसने चरणों को समझा।
- सरल कहानियों में भी बेहतर: भले ही इसे जटिल पहेलियों पर प्रशिक्षित किया गया था, लेकिन यह तर्क को समझने में इतना अच्छा था कि यह सरल, एक-चरणीय कहानियों को ठीक करने में भी उत्कृष्ट बन गया।
- खराब सुरागों के प्रति लचीला: वास्तविक दुनिया में, आपके द्वारा पाए गए साक्ष्य थोड़े गलत या बिखरे हुए हो सकते हैं। CECoR स्थिर रहा, भले ही उसे दिए गए "सुराग" शोर भरे (noisy) थे, जबकि अन्य सिस्टम बिखर गए।
सारांश
CECoR को एक ऐसे जासूस के रूप में सोचें जो केवल अपराध स्थल (गलत वाक्य) को नहीं देखता, बल्कि घटनाओं की पूरी समयरेखा (तर्क श्रृंखला) का पुनर्निर्माण करता है। कहानी को तोड़ने, सीखने के लिए जानबूझकर उसे बिगाड़ने और फिर वास्तविक दुनिया की अव्यवस्था पर अभ्यास करने के माध्यम से, यह तथ्यों को ठीक करने के उस स्तर की समझ विकसित करता है जो पिछले उपकरणों के पास नहीं थी। यह एक जटिल झूठ को ठीक करने के कठिन कार्य को एक श्रृंखला में एक चरण को ठीक करने के प्रबंधनीय खेल में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।