PulseAugur
中
实时 10:27:06
English(EN) HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering

HyCE-RAG框架使用超图进行可解释的多跳问答

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的可解释多跳问答框架HyCE-RAG，该框架利用超图来模拟实体和证据之间复杂的相互关系。与依赖简单语义相似性的传统RAG方法不同，HyCE-RAG将信息组织成超边，创建了一个查询感知的证据超图。这种结构允许置信度传播和引导式证据组装，从而产生更忠实和可解释的推理路径。在多个基准数据集上的实验表明，HyCE-RAG在准确性和忠实度方面优于现有的RAG方法。 AI

影响 引入了一种新颖的基于超图的方法，以提高复杂问答系统中可解释性和准确性。

排序理由 该集群描述了一篇关于新颖问答框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

HyCE-RAG框架使用超图进行可解释的多跳问答

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hong-Yu An, Yun-Jian Zhang, Chen-Wei Liang, Tian-Yi Zhang, Jian Ding, Yi-Lun Wu, Ao-Bo Li, Wei-Cong Su, Saifullah, Mujiangshan Wang ·

    HyCE-RAG：用于可解释多跳问答的超图链式证据检索增强生成

    arXiv:2607.22597v1 Announce Type: new Abstract: Multi-hop question answering requires systems to retrieve evidence from multiple documents and connect scattered facts into a coherent reasoning process. Standard retrieval-augmented generation (RAG) mainly relies on semantic simila…

相关实体

相关话题