Multi-hop Question Answering over Knowledge Graphs using Large Language Models
PulseAugur coverage of Multi-hop Question Answering over Knowledge Graphs using Large Language Models — every cluster mentioning Multi-hop Question Answering over Knowledge Graphs using Large Language Models across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SpectRAG框架通过加权块图和谱分析增强RAG · 跟踪2个来源
研究人员推出了一种名为SpectRAG的新型框架，旨在改进检索增强生成（RAG）系统。SpectRAG通过构建一个加权块图来解决传统RAG的局限性，该图编码了文档片段之间的各种关系，例如语义相似性、文档邻近性和共享实体。这种基于图的方法允许通过谱相关性传播来选择多样化且结构上连接的上下文块集，而不是依赖于单独排名的段落。在MultiHopRAG和UltraDomain等基准测试上的实验表明，SpectRAG在增强证据恢复和生成质量方面…
-
新的协同学习方法通过模型切片增强LLM推理能力
研究人员引入了一种名为“协同学习”的新方法，以增强大型语言模型（LLM）的推理能力。该方法涉及将一个大型模型分解为多个小型、异构的“模型切片”，然后让它们协同工作。通过采用“金字塔监督”，该方法结合了协议蒸馏和步进式指导，这些协同体可以改进它们的推理和交互过程。在问答、数学推理、代码生成和约束生成任务上的实验表明，这种协同方法在性能上可与原始大型模型和现有的多智能体系统相媲美甚至更优，同时还提高了推理效率。
-
新研究解决多跳问答中的事实基础差距问题
研究人员正在探索改进多跳问答（QA）系统的新方法，这些系统需要综合来自多个文档的信息。一项研究发现了一个“事实基础差距”，即模型即使在检索到相关段落时也未能提取正确信息，这占了所有每跳错误的近一半。另一种方法HyperProve，利用答案引导的超图事实扩展来构建连贯的证据链，从而提高了准确性。第三篇论文介绍了一个上下文增强的训练框架，将知识图谱与支持性上下文配对，并采用修复流程在强化学习之前提高事实准确性。
-
新的PAGE-RAG方法增强了检索增强生成中的多跳问答
研究人员开发了PAGE-RAG，一种用于改进检索增强生成（RAG）系统中多跳问答的新方法。该方法从检索到的候选集中构建一个查询局部图，利用来源信息和各种信号将最相关和支持性的事实推广到一个紧凑的上下文中供阅读器使用。PAGE-RAG可以作为独立的管道运行，也可以作为插件集成以增强现有的RAG系统，在多个基准测试中均显示出支持和答案准确性的显著提高。
-
TreeHop框架在无需LLM的情况下增强了多跳问答的RAG
研究人员开发了TreeHop，一个旨在增强多跳问答检索增强生成（RAG）系统的新型框架。与依赖迭代LLM调用的现有方法不同，TreeHop在嵌入级别运行，融合来自查询和文档的语义信息，以在没有LLM干预的情况下优化检索。这种方法显著降低了计算成本和延迟，在多个数据集上实现了与先进RAG方法相当的性能，同时仅使用了极少量的参数和处理时间。