Graph-based RAG
PulseAugur coverage of Graph-based RAG — every cluster mentioning Graph-based RAG across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的R$^{2}$Adapter通过将复杂查询路由到基于图的系统来优化RAG
研究人员开发了R$^{2}$Adapter，这是一种新颖的即插即用适配器，旨在优化检索增强生成（RAG）系统。该适配器在标准RAG和更复杂的基于图的RAG之间动态路由查询，确保只有真正受益于图推理的查询才会被后者处理。此外，R$^{2}$Adapter可以重写不确定的查询以提高检索质量，而无需额外的监督。实验表明，这种方法可以将基于图的RAG使用量减少高达59%，同时保持答案的准确性，并且它与各种RAG管道兼容。
-
RAG研究探索语义引导、图模型和扩展范式 · 跟踪6个来源
近期研究通过考察不同的范式及其扩展属性，探索了检索增强生成（RAG）的进展。一项研究引入了GuidedRAG，它使用语义引导在检索前约束知识库，从而提高相关性并减少开销。另一篇论文GLM-RAG，研究了用于知识图谱上RAG的图语言模型，发现微调的GLM检索器在域外泛化能力更好。一项单独的扩展研究比较了BM25、文件系统代理和基于图的方法等RAG范式，得出结论BM25在准确性和成本方面扩展性最好。最后，研究还深入探讨了文本块大小对RAG…
-
HyCE-RAG框架使用超图进行可解释的多跳问答
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。