论文：From Classification to Generation: Insights into Crosslingual Retrieval Augmented ICL
⭐⭐⭐⭐
NeurIPS 2023, arXiv:2311.06595

论文速读

有很多外国语言因为其语言复杂性、标记数据集的缺乏以及数据重复等问题，LLM 在这些低资源语言上的 instruction-following 的能力会变差，进而限制它们的 In-Context Learning（ICL）的表现。

为了解决低资源语言（如孟加拉语）在大型语言模型（LLMs）的上下文学习（ICL）性能受限的问题，本文提出了跨语言检索增强的上下文学习（CREA-ICL），其思路是：对于一个低资源语言的 input test $q$，使用 embedding encoder 将其映射到一个 shared embedding space 中，然后利用 cosine similarity 计算它与高资源语言的 corpus 的文档相似度，从中检索出 top-k 个文档，然后利用 prompt 把这些高资源语言作为 ICL 的 exemplars，实现让 LLM 去解决 input test 的问题。

框架图示如下：

上图是一个对孟加拉语的问题做情感分类的示例。Telugu input 是一个孟加拉语表述的文本，首先会通过 Cross-Lingual Retriever 从高资源语言的 corpus 中检索出 k 个最相关的英文 samples，根据 sample 是否存在 label：

• 如果有 label，那就使用这个 label
• 如果没有 label，那就使用 self-prediction 让 LLM 生成一个 label

然后把 (English sample, label) 作为 ICL 的 exemplars，通过 prompt 让 LLM 去解决 Telugu input 文本的情感分类问题。

总结

论文提出的方法的思路都在这个图中了，看懂这个图就可以看懂这个方法了。

这篇论文讨论了一个常见问题：低资源语言该如何利用好 LLM 的各项能力。因为中文和英文的语料较多，导致了 LLM 能够表现不错，但对于很多小语种来说，资料的缺乏可能会让 LLM 在某些能力上出现缺失，通过跨语言检索也许能解决其中的一些问题。