.png){kind=icon}
返回
INKER: Adaptive dynamic retrieval augmented generation with internal-external knowledge integration
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104534.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自适应动态检索增强生成（RAG）范式动态确定大型语言模型（LLM）在生成过程中是否需要激活检索步骤，并据此制定适当的检索查询。该范式包含两个关键组件：确定激活检索模块的最佳时机（何时检索）以及检索被触发后制定适当的查询（检索什么）。然而，现有的自适应动态RAG方法依赖LLM的内部知识来触发检索过程并制定检索查询，很大程度上忽视了外部查询知识的重要性。这导致检索时机不可靠，且无法检索真正相关的文档。为克服这些局限性，我们引入了一种新的自适应动态RAG框架，基于内部-外部知识整合的检索（INKER），该框架整合LLM文本生成过程中涉及的内部和外部知识，以决定何时检索以及检索什么。在2WikiMultihopQA、HotpotQA、StrategyQA和Natural Questions（NQ）上的实验表明，INKER在准确率方面优于六种先进的RAG方法，同时平均将检索频率降低了约40%，验证了INKER及其组件的有效性。
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
Integrating Retrieval-Augmented Generation with Large Language Models in Nephrology: Advancing Practical Applications将检索增强的生成与肾脏学中的大型语言模型集成在一起: 推进实际应用.png)
Medicina
OAAI
MedicinaIF0
OAAI分享收藏Confusing negative commonsense knowledge generation with hierarchy modeling and LLM-enhanced filtering将负面常识知识生成与层次建模和LLM增强过滤相混淆
PREAI
分享收藏分享收藏Dynamic Retrieval Augmented Generation of Ontologies using Artificial Intelligence (DRAGON-AI)基于人工智能的动态本体检索增强生成（DRAGON-AI）OAAI
OAAI分享收藏Towards human-like questioning: Knowledge base question generation with bias-corrected reinforcement learning from human feedback迈向类人提问：基于人类反馈的偏置校正强化学习知识库问题生成
PREAI
分享收藏Towards evidence-aware retrieval-augmented generation via self-corrective chain-of-thought面向具备证据感知能力的检索增强生成：一种自修正链式思维方法
PREAI
分享收藏Crafting the Path: Robust Query Rewriting for Information Retrieval制定路径: 用于信息检索的强大查询重写IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Smart-Searcher: Incentivizing the Dynamic Knowledge Acquisition of LLMs via Reinforcement Learning
PREAI
分享收藏
查看更多内容