今天分享一个针对RAG噪声的综述，中文标题为：潘多拉魔盒还是阿拉丁神灯：揭示 RAG 噪声在大型语言模型中作用的综合分析

Pandora’s Box or Aladdin’s Lamp: A Comprehensive Analysis Revealing the Role of RAGNoise in Large Language Models

检索增强生成（RAG）已成为解决大型语言模型（LLMs）幻觉问题的关键方法。尽管近期研究已将RAG模型扩展到复杂的噪声场景中，但这些探索往往局限于有限的噪声类型，并假设噪声对LLMs本质上是有害的，这可能与真实世界的检索环境存在偏差，从而限制了实际应用的广泛性。本文从语言学的角度定义了七种不同的噪声类型，并建立了一个噪声RAG基准（NoiserBench），这是一个包含多个数据集和推理任务的综合评估框架。通过对八种具有不同架构和规模的代表性LLMs进行实证评估，我们揭示了这些噪声可以进一步分为两个实际的类别：对LLMs有益的噪声（即有益噪声）和对LLMs有害的噪声（即有害噪声）。虽然有害噪声通常会削弱性能，但有益噪声可能会提升模型能力和整体表现的多个方面。我们的分析为开发更为稳健和适应性强的RAG解决方案提供了见解，并帮助缓解在不同检索场景中的幻觉问题。

一、RAG系统中噪声的分类体系

1. 噪声的定义：在生成过程中引入的与事实或逻辑不符的信息。

2. 噪声的分类：作者将噪声分为两大类：

• 有益噪声 ：能够提高模型的推理能力，帮助模型更好地理解问题和检索到的信息。
• 有害噪声 ：可能会误导模型，导致生成的回答偏离正确答案。

• 有益噪声包括：：

• 语义噪声：引入与问题相关但不是直接答案的语义信息。
• 数据类型噪声：引入不同数据类型的信息，促使模型考虑多种可能的表达方式。
• 非法句子噪声：包含语法或逻辑错误的信息，促使模型识别并纠正错误。

• 有害噪声包括：：

• 反事实噪声：与已知事实相反的信息。
• 支持性噪声：虽然不是错误的，但可能会过度支持某个特定答案，限制模型的思考范围。
• 拼写噪声：拼写错误或不规范的书写，可能会影响模型的理解和生成。
• 先验噪声：基于先前知识或偏见的噪声，可能会影响模型的公正性和客观性。

二、benchmark构建（评估这些噪声）



创建问答(QA)实例 -> NLI验证QA合理性 -> 噪声引入





三、结论



• 有害噪声（尤其是反事实噪声）对模型性能有显著的负面影响，它会干扰准确的事实识别和答案生成。
• 有益噪声，尤其是非法句子噪声，在提高模型性能方面表现出色，平均准确率提高了3.32%和1.65%。
• 在其他噪声干扰下，有益噪声（特别是非法句子噪声）对模型性能的影响。结果表明，即使在有害噪声的干扰下，有益噪声也能显著提高性能。



对案例研究和统计分析来验证了以下的猜想：

• 有益噪声有助于更清晰、更明确的推理过程。
• 有益噪声促进了更标准化的回答格式。
• 有益噪声增加了对正确答案事实的信心。