Hyper-RAG: combating LLM hallucinations using hypergraph-driven retrieval-augmented generation

Yifan Feng

doi:10.1038/s41467-026-71411-1

Hyper-RAG: combating LLM hallucinations using hypergraph-driven retrieval-augmented generation

2026-04-27

0

OA

AI

DOI：10.1038/s41467-026-71411-1

原文链接

查看原文

摘要

En 中文

大型语言模型（LLMs）通过增强内容生成和决策过程，已使教育、金融和医学等多个领域发生变革。然而，由于幻觉现象（即生成内容偏离事实准确性，可能导致不良后果），其整合到医学领域的进程较为谨慎。为解决此问题，我们引入了Hyper-RAG，一种基于超图的检索增强生成方法，该方法全面捕捉领域特定知识中的成对及超成对相关性，从而缓解幻觉问题。在NeurologyCrop数据集上对六种主流LLMs进行的实验表明，Hyper-RAG相比直接使用LLM提升了平均12.3%的准确率，并分别优于GraphRAG和LightRAG 6.3%和6.0%。此外，随着查询复杂度的增加，Hyper-RAG保持了稳定的性能，而现有方法则出现下降。在九个不同数据集上的进一步验证显示，采用基于选择性的评估方法时，Hyper-RAG相比LightRAG性能提升了35.5%。其轻量级变体Hyper-RAG-Lite实现了两倍的检索速度提升和3.3%的性能增益，相比LightRAG。这些结果证实了Hyper-RAG在提升LLM可靠性和减少幻觉方面的有效性，使其成为医学诊断等高风险应用的稳健解决方案。作者介绍了HyperRAG，一种基于超图的检索方法，通过捕捉领域知识中的高阶关系来降低大型语言模型的幻觉，并在多个数据集和医学任务中提升了准确性和鲁棒性。

Keyword:

Hyper-RAG

hallucination mitigation

large language models

retrieval-augmented generation

hypergraph

Hyper-RAG: combating LLM hallucinations using hypergraph-driven retrieval-augmented generation

摘要

AI总结

期刊

机构