SERE: 사건 인과성 식별을 위한 LLM 성능 향상을 위한 구조적 예제 검색

요약

본 논문은 사건 인과성 식별(ECI) 작업에서 대형 언어 모델(LLM)의 성능 한계를 극복하기 위해 구조적 예제 검색(Structural Example Retrieval, SERE) 프레임워크를 제안합니다. LLM이 ECI에서 겪는 인과 추론 편향 및 환각 문제를 완화하는 것이 목표입니다. SERE는 개념적 경로 지표, 문법적 지표, 그리고 인과 패턴 필터링이라는 세 가지 구조적 메커니즘을 통합하여, 주어진 작업에 가장 관련성 높은 예제를 검색하고 LLM의 인과 추론 능력을 효과적으로 안내합니다.

핵심 포인트

• SERE는 ECI 성능 향상을 위해 제안된 프레임워크입니다.
• LLM은 ECI에서 인과 추론 편향 및 환각 문제를 보일 수 있습니다.
• SERE는 개념적 경로, 문법 구조, 인과 패턴 필터링 등 세 가지 구조적 지표를 활용합니다.
• 이러한 구조적 검색 전략을 통해 LLM의 인과 추론 능력을 개선하고 정확도를 높입니다.