EvidentialRAG框架解决了检索增强生成中的信息冲突

研究人员推出了一种新颖的框架 EvidentialRAG (ERAG)，旨在通过解决检索数据中的信息冲突来增强检索增强生成 (RAG) 系统。ERAG 将检索到的文本片段转换为概率证据，使用一个轻量级评估器将块级支持映射到狄利克雷证据。然后，Dempster-Shafer 融合规则将分歧保留为认知不确定性，而不是将其归一化掉。这种方法允许生成器根据融合的不确定性分数直接回答、承认冲突或弃权。在 CRAG、ConflictQA 和 MuSiQue 等数据集上的实验表明，与现有方法相比，ERAG 减少了幻觉并改善了冲突解决，表明其在基于基础模型的检索系统中用于可信信息处理的实用性。 AI

影响 通过量化和缓解信息冲突来增强 RAG 系统的可信度，可能减少幻觉。

排序理由 该集群包含一篇详细介绍检索增强生成系统新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• ConflictQA
• Corrective RAG
• DagsHub
• EvidentialRAG
• Gotit.pub
• Hugging Face
• MuSiQue
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →