Generating Diverse and High-Quality Texts by Minimum Bayes Risk Decoding

要約

テキスト生成システムにおける最も重要な課題の 1 つは、正しいだけでなく多様性のある出力を生成することです。
最近、復号アルゴリズムの中で最も高品質な文を生成する最小ベイズリスク (MBR) 復号が注目を集めています。
ただし、多様な出力を生成するために提案されている既存のアルゴリズムは、主にビーム検索またはランダム サンプリングに基づいているため、出力品質はこれらの基礎となる方法によって制限されます。
この論文では、代替アプローチを調査します。MBR 復号にダイバーシティ目標を強制することで、ダイバーシティを促進する復号アルゴリズムを開発します。
我々は、高品質で多様性のある文のセットを生成する方法である、MBR の 2 つの変形、Diverse MBR (DMBR) と $k$-medoids MBR (KMBR) を提案します。
エンコーダー/デコーダー モデルとプロンプトを備えた大規模な言語モデルを使用して、さまざまな指示されたテキスト生成タスクで DMBR と KMBR を評価します。
実験結果は、提案された方法が多様なビーム探索およびサンプリング アルゴリズムよりも優れたトレードオフを達成することを示しています。

要約(オリジナル)

One of the most important challenges in text generation systems is to produce outputs that are not only correct but also diverse. Recently, Minimum Bayes-Risk (MBR) decoding has gained prominence for generating sentences of the highest quality among the decoding algorithms. However, existing algorithms proposed for generating diverse outputs are predominantly based on beam search or random sampling, thus their output quality is capped by these underlying methods. In this paper, we investigate an alternative approach — we develop diversity-promoting decoding algorithms by enforcing diversity objectives to MBR decoding. We propose two variants of MBR, Diverse MBR (DMBR) and $k$-medoids MBR (KMBR), methods to generate a set of sentences with high quality and diversity. We evaluate DMBR and KMBR on a variety of directed text generation tasks using encoder-decoder models and a large language model with prompting. The experimental results show that the proposed method achieves a better trade-off than the diverse beam search and sampling algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google