Optimizing Retrieval-augmented Reader Models via Token Elimination

要約

Fusion-in-Decoder (FiD) は、質問応答、ファクト チェックなど、さまざまなオープン ドメイン タスクに適用される効果的な検索拡張言語モデルです。FiD では、まずサポートする文章が検索され、次に生成関数を使用して処理されます。
これは、特に長い出力の場合、デコード時間に重大なボトルネックを引き起こす可能性があります。
この研究では、取得されたすべてのパッセージのリーダー モデルのパフォーマンスへの寄与と必要性を分析し、応答生成プロセスに重要な情報に寄与しない可能性のある取得された情報の一部をトークン レベルで削除することを提案します。
私たちの方法により、パフォーマンスの低下がわずか 2% であるにもかかわらず、実行時間を最大 62.2% 削減でき、場合によってはパフォーマンスの結果も改善できることを実証します。

要約(オリジナル)

Fusion-in-Decoder (FiD) is an effective retrieval-augmented language model applied across a variety of open-domain tasks, such as question answering, fact checking, etc. In FiD, supporting passages are first retrieved and then processed using a generative model (Reader), which can cause a significant bottleneck in decoding time, particularly with long outputs. In this work, we analyze the contribution and necessity of all the retrieved passages to the performance of reader models, and propose eliminating some of the retrieved information, at the token level, that might not contribute essential information to the answer generation process. We demonstrate that our method can reduce run-time by up to 62.2%, with only a 2% reduction in performance, and in some cases, even improve the performance results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google