Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering
1 School of Internet of Things, Nanjing University of Posts；Telecommunications 2 Faculty of Medicine \& Health, University of New South Wales, Sydney, Australia 3 Dept. of Biomedical Engineering \& Biotechnology, Khalifa University, Abu Dhabi 4 Beijing Information Science；Technology University 5 Shortest Path Technology Co., Ltd.
本文提出一种时序感知异构图推理框架，通过多视角融合提升时序问答的准确性和效率。
2026-02-23 cs.AI cs.CL
Correction of Faulty Background Knowledge based on Condition Aware and Revise Transformer for Question Answering
University of Science and Technique of China（中国科学技术大学）
问答的研究近年来受到越来越多的关注。这项工作的重点是提供一个答案，既符合用户的意图和条件信息对应的问题，如交货状态和库存信息在电子商务。然而，这些条件在实际应用中可能是错误的或不完整的。现有的问答系统虽然考虑了知识库中的范畴属性、三元组等外部信息，但都假设外部信息是正确的、完整的。为了减轻有缺陷的条件值的影响，本文提出了条件感知和修正Transformer（CAR-Transformer）。CAR-Transformer（1）基于整个会话和原始条件值来修改每个条件值，并且（2）它对修改后的条件进行编码并利用条件嵌入来选择答案。在真实世界客户服务数据集上的实验结果表明，当与问题对应的条件存在错误或缺失值时，CAR-Transformer仍然可以选择适当的回复，并且在自动和人工评估方面大大优于基线模型。所提出的CAR-Transformer可以扩展到其他需要考虑条件信息的NLP任务。
2020-06-30 cs.AI cs.CL
Toward Ethical AI Through Bayesian Uncertainty in Neural Question Answering
Dayforce
本文通过贝叶斯不确定性方法改进神经问答系统的可解释性和伦理性，对比拉普拉斯近似与MAP估计以提升不确定性校准能力。
2025-12-19 cs.CL
Relation-Aware Language-Graph Transformer for Question Answering
Korea University（高丽大学）；NAVER（NAVER公司）；NAVER Cloud（NAVER云）；NAVER AI Lab（NAVER人工智能实验室）
针对现有问答方法未充分利用知识图谱关系且语言与图交互有限的问题，提出 QAT，通过 Meta-Path token 和关系感知跨模态注意力实现统一推理，并在多个常识与医学问答基准上达到 SOTA。
2023-04-25 cs.AI cs.CL
From National Curricula to Cultural Awareness: Constructing Open-Ended Culture-Specific Question Answering Dataset
KAIST AI Center（韩国国立科学技术院人工智能中心）；Samsung Electronics（三星电子）；Hankuk University of Foreign Studies（韩国外语大学）
本文提出CuCu框架，利用国家课程构建文化特定的开放性问答数据集KCaQA，以提升语言模型在文化对齐方面的表现。
2026-08-27 cs.AI cs.CL
IterCOMP: Reasoning-aware Adaptive Prompt Compression for Multi-hop Question Answering
Chung-Ang University（中央大学）
本文针对多跳问答中现有提示压缩方法无法捕捉多跳推理步骤的问题，提出无训练框架IterCOMP，经实验验证其可提升问答指标并减少token预算。
2026-08-17 cs.AI cs.CL
Training LLMs with Reinforcement Learning for Intent-Aware Personalized Question Answering
University of Washington（华盛顿大学）
本文提出IAP框架，通过强化学习直接从单轮问题推断用户意图并生成意图感知的回答，实验表明其在LaMP-QA基准上优于所有基线，平均宏得分提升约7.5%。
2026-05-12 cs.AI cs.CL
Product-Aware Answer Generation in E-Commerce Question-Answering
ICST, Peking University（北京大学信息科学技术学院）
在电子商业门户网站中，为产品相关问题生成答案已成为一项至关重要的任务。在本文中，我们提出了产品感知的答案生成任务，它倾向于从大规模的未标记的电子商业评论和产品属性中生成准确和完整的答案。与现有的问答问题不同，电子商业中的答案生成面临三个主要挑战：（1）评论是非正式的和有噪声的;（2）评论和关键值产品属性的联合建模具有挑战性;（3）传统方法容易生成无意义的答案。为了解决上述挑战，我们提出了一个基于对抗学习的模型，称为PAAG，它由三个组件组成：一个问题感知的评论表示模块，一个编码属性的键值记忆网络，以及一个作为序列生成器的递归神经网络。具体来说，我们使用卷积神经网络来区分我们生成的答案是否与事实相匹配。为了提取评论的显著性部分，提出了一种基于注意力的评论阅读器来捕获给定问题的最相关的词。在一个大规模的真实电子商业数据集上进行了大量的实验，验证了模型中每个模块的有效性。此外，我们的实验表明，我们的模型在自动度量和人工评估方面都达到了最先进的性能。
2019-01-24 cs.AI cs.CL
Uncertainty-based Visual Question Answering: Estimating Semantic Inconsistency between Image and Knowledge Base
OKESTRO Co., Ltd（OKESTRO有限公司）；Dongguk University（东国大学）
基于知识的视觉问答（KVQA）任务旨在回答需要额外的外部知识以及对图像和问题的理解的问题。最近关于KVQA的研究以多模态形式注入外部知识，并且随着使用更多的知识，可能会添加不相关的信息，并且可能混淆问答。为了更好地利用这些知识，本研究提出了以下几点：1）引入了一种新的语义不一致性度量，该度量是由字幕不确定性和语义相似度计算得到的; 2）提出了一种新的基于语义不一致性度量的外部知识同化方法，并将其应用于KVQA的显性知识和隐性知识的整合; 3）在OK-VQA数据集上对所提出的方法进行了测试，取得了较好的性能。
2022-07-27 cs.AI cs.CL cs.CV
Mind the Ambiguity: Aleatoric Uncertainty Quantification in LLMs for Safe Medical Question Answering
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出AU-Probe框架，通过检测输入模糊性提升医疗问答的安全性与准确性。
2026-01-24 cs.AI cs.CL
Uncertainty Quantification in Retrieval Augmented Question Answering
University of Edinburgh（爱丁堡大学）
本研究提出通过估计检索段落的效用来量化检索增强QA模型的不确定性，训练轻量级模型预测效用，高效接近或超越采样方法。
2025-09-11 cs.CL
I-CALM: Incentivizing Confidence-Aware Abstention for LLM Selective Answering
本文研究通过仅提示干预减少大语言模型幻觉风险，提出I-CALM框架通过引导自信、奖励回避和加入规范原则提升事实性问题的准确性。
2026-08-18 cs.AI cs.CL
GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering
Virginia Tech（弗吉尼亚理工大学）；Florida Polytechnic University（佛罗里达理工大学）；Kuwait University（科威特大学）
GeoRisk-RAG是一种层级感知框架，通过选择性回答结合有向无环图距离估计地理适用性，在野火QA数据集上将位置相关问题错误置信率降至0.009，提升RAG可靠性，助力地理空间领域安全决策。
2026-08-25 cs.AI cs.CL
RGAR: Recurrence Generation-augmented Retrieval for Factual-aware Medical Question Answering
King’s College London（伦敦国王学院）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；School of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程学院）
针对现有医疗RAG检索忽视事实知识、适用性受限的问题，提出RGAR循环生成增强检索框架，从EHR和语料库双源检索事实与概念知识并交互优化，在三个基准上实现医疗RAG新SOTA，小模型搭载后性能超越经RAG增强的大模型GPT-3.5。
2025-02-19 cs.AI cs.CL
Time-Aware Representation Learning for Time-Sensitive Question Answering
KAIST（韩国科学技术院）
针对语言模型难以理解时间限定词与数字关系的问题，提出TCQA框架及TCSE任务，通过生成时间上下文依赖数据训练模型提取答案片段，在TimeQA数据集上F1分数较基线提升8.5。
2023-10-19 cs.AI cs.CL cs.LG
Improving Attributed Long-form Question Answering with Intent Awareness
Allen Institute for AI（艾伦人工智能研究所）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
本文提出通过增强模型意图意识来提升长报告生成质量，通过结构化标签方案提取隐含意图，改进零样本生成能力并生成高质量合成数据，实验显示在科学报告生成任务中模型性能平均提升2.9和12.3个百分点。
2026-08-10 cs.AI cs.CL
Accurate and Regret-aware Numerical Problem Solver for Tabular Question Answering
针对大语言模型处理表格问答中数值计算能力不足的问题，提出将LLMs作为规划器、Python解释器负责计算的TabLaP模型，还实现答案可信度量化方法，准确率较现有最优模型提升超5.7%和5.8%。
2025-06-15 cs.AI cs.CL
Asymptotic Risk Calibration for Selective Question Answering
Zhangjiang University（张江大学）；Ibaraki University（茨城大学）
针对LLMs问答的不确定性控制缺陷，提出A-CRC-QA事后校准框架，在两类问答数据集上实现了接受答案可靠性与保留率的良好权衡。
2026-08-13 cs.CL
Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering
Institute of Computing and Intelligence, Harbin Institute of Technology (Shenzhen)（计算与智能研究院，哈尔滨工业大学（深圳））；Shenzhen Loop Area Institute (SLAI)（深圳环形区研究院（SLAI））
本文提出一种篇章意识层次检索框架，利用修辞结构理论处理长文档问答，通过 discourse parsing 和 LLM 增强实现结构与语义信息的融合，实验表明在多种语言和文档类型上均取得显著提升。
2026-05-07 cs.AI cs.CL cs.IR
Uncertainty-Aware Text-to-Program for Question Answering on Structured Electronic Health Records
KAIST（韩国科学技术院）
电子健康档案的问答（EHR-QA）对医疗保健领域有着重要的影响，目前正在积极研究。以往的结构化EHR-QA研究主要集中在将自然语言查询转换为SQL或SPARQL（NLQ 2 Query）等查询语言，因此问题范围仅限于特定查询语言预先定义的数据类型。为了扩展EHR-QA任务，超越这一限制，以处理多模态医疗数据和解决复杂的推理，在未来，更原始的系统语言是必要的。在本文中，我们设计了基于程序的模型（NLQ 2 Program）的EHR-QA的第一步走向未来的方向。我们通过基于程序的方法以半监督的方式处理MIMICSPARQL*（基于图形的EHR-QA数据集），以克服缺乏黄金程序的问题。如果没有黄金计划，我们提出的模型显示出与以前的最先进模型相当的性能，这是一个NLQ 2 Query模型（0.9%的增益）。此外，对于一个可靠的EHR-QA模型，我们应用不确定性分解方法来衡量输入问题中的歧义。我们的经验证实，数据的不确定性是最表明在输入问题的模糊性。
2022-04-15 cs.AI cs.CL cs.LG
Uncertainty-aware Language Modeling for Selective Question Answering
Themis AI Inc（泰米斯人工智能公司）
提出一种自动、与模型和数据无关的LLM转换方法，使模型能在每次预测时估计不确定性，并在选择性问答任务中通过弃权（不执行）机制显著提升准确率。
2023-11-26 cs.CL cs.LG
Semantic-aware Dynamic Retrospective-Prospective Reasoning for Event-level Video Question Answering
Dublin City University（都柏林城市大学）；Nantong University（南通大学）；Trinity College Dublin（都柏林圣三一学院）
提出语义感知的动态回顾-前瞻推理方法，利用问题的SRL结构指导跨帧推理，在TrafficQA数据集上超越现有最先进模型。
2023-05-14 cs.AI cs.CL cs.CV
Memory-Aware and Uncertainty-Guided Retrieval for Multi-Hop Question Answering
University of Pittsburgh（匹兹堡大学）；Salesforce Research（Salesforce研究院）
提出MIND框架，通过实体提取、基于熵和注意力信号的动态检索触发及记忆感知过滤，解决多跳问答中检索步骤固定和已检索知识利用不足的问题。
2025-03-29 cs.CL
Word-Sequence Entropy: Towards Uncertainty Estimation in Free-Form Medical Question Answering Applications and Beyond
University of Electronic Science and Technology of China（电子科技大学）；Drexel University（德雷塞尔大学）；University of Pennsylvania（宾夕法尼亚大学）；Yale University（耶鲁大学）；Massachusetts Institute of Technology（麻省理工学院）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出Word-Sequence Entropy（WSE）方法，通过在词和序列级别结合语义相关性校准不确定性，解决了开放式医疗问答中自由形式答案的不确定性量化偏差问题，显著提升了LLMs的不确定性量化性能与实际应用准确率。
2024-11-18 cs.AI cs.CL cs.LG
Question-Aware Memory Network for Multi-hop Question Answering in Human-Robot Interaction
National University of Defense Technology（国防科技大学）；Charles Darwin University（查尔斯·达尔文大学）；Waseda University（早稻田大学）
知识图问答是智能人机交互中的一项重要技术，其目的是利用已知的知识图谱自动回答人类自然语言问题。对于复杂度和多样性较高的多关系问题，在推理步骤中，问题的表征对三元组的选择具有不同的优先级。针对现有模型将问题作为一个整体，忽略了问题中的优先级信息的问题，提出了一种面向多跳问答的问题感知记忆网络QA2MN，在推理过程中及时更新对问题的关注度。此外，我们将图的上下文信息加入到知识图谱嵌入模型中，以增加实体和关系的表示能力。我们使用它来初始化QA2MN模型，并在训练过程中对其进行微调。我们在PathQuestion和WorldCup 2014上评估了QA2MN，这是两个复杂多跳问答的代表性数据集。结果表明，QA2MN在两个数据集上都达到了最先进的Hits@1准确率，这验证了我们模型的有效性。
2021-04-27 cs.CL
History-Aware Question Answering in a Blocks World Dialogue System
University of Rochester（罗切斯特大学）
基于对话的空间推理系统必须保持对世界历史状态的记忆。除了传达对话代理在精神上存在并参与任务之外，参考历史状态对于实现协作规划可能是至关重要的（例如，用于计划返回到先前状态或诊断过去的失误）。在本文中，我们将探讨多模态口语对话系统中的空间记忆问题，该系统能够在物理块世界设置中回答有关交互历史的问题。这项工作建立在一个完整的空间问答管道组成的视觉系统，语音输入和输出的动画化身，一个对话系统，强大的解释空间查询，和一个约束求解器，得出答案的基础上3-D空间建模。这项工作的贡献包括一个象征性的对话背景下，登记有关话语历史和世界变化的知识，以及一个自然语言理解模块能够解释自由形式的历史问题和查询对话背景，形成一个答案。
2020-05-26 cs.AI cs.CL cs.HC
Positional Bias in Binary Question Answering: How Uncertainty Shapes Model Preferences
University of Padova（帕多瓦大学）；CNR-ISTI（意大利国家研究委员会-ISTI研究所）
研究了二元问答中模型位置偏差随答案不确定性增加呈指数级增长的现象，通过在 SQuAD-it、WebGPT 和 Winning Arguments 数据集上翻转选项顺序评估五个大模型，发现低不确定性下偏差几乎消失。
2025-07-01 cs.CL
Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering
South China University of Technology（华南理工大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Tencent AI Lab（腾讯人工智能实验室）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
神经网络模型通常面临将常识知识纳入开放域对话系统的挑战。在本文中，我们提出了一种新的知识感知的对话生成模型（称为transDG），转移的问题表示和知识匹配能力，从知识库问答（KBQA）任务，以促进话语理解和事实知识的选择对话生成。此外，我们提出了一个响应引导注意力和多步解码策略，以引导我们的模型专注于响应生成的相关功能。在两个基准数据集上的实验表明，该模型在生成信息丰富、流畅的对话方面具有较强的鲁棒性。我们的代码可在https://github.com/siat-nlp/TransDG上获得。
2019-12-16 cs.CL
Knowledge-Aware Diverse Reranking for Cross-Source Question Answering
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出Team Marikarp在SIGIR 2025 LiveRAG竞赛中夺冠的方案，通过知识感知多样性重排序RAG管道，从FineWeb的1500万文档子集中高效检索问题相关支持文档。
2025-06-25 cs.CL cs.IR
Pregnant Questions: The Importance of Pragmatic Awareness in Maternal Health Question Answering
University of Maryland（马里兰大学）
针对母婴健康问答中隐含错误或有害假设的问题，本文构建含500个问题、2,727条语用推理的数据集，并证明将语用推理融入QA流程可提升回答完整性、减少有害观念传播。
2024-04-02 cs.CL
Consistency-Aware Parameter-Preserving Knowledge Editing Framework for Multi-Hop Question Answering
Vanderbilt University（范德比大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）
CAPE-KG通过确保知识图谱的一致性来提升多跳问答中参数保持知识编辑的性能。
2026-01-06 cs.CL
BELIEF: Structured Evidence Modeling and Uncertainty-Aware Fusion for Biomedical Question Answering
School of Computer Science and Technology, Zhejiang University of Science and Technology（浙江理工大学计算机科学与技术学院）；College of Artificial Intelligence, Zhejiang University（浙江大学人工智能学院）；Zhejiang Key Laboratory of Biomedical Intelligent Computing Technology, Zhejiang University of Science and Technology（浙江理工大学生物医学智能计算技术重点实验室）
本文提出BELIEF框架，通过结构化证据建模和不确定性感知融合，提升生物医学问答任务中检索文献的利用效率，实现对证据可靠性、不确定性以及候选假设的支持强度的显式建模。
2026-05-17 cs.CL
PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering
East China Normal University, Shanghai, China（华东师范大学）；Aalborg University, Aalborg, Denmark（奥胡斯大学）
针对现有LLM方法在时间序列推理中忽略模式提取和简单任务主导学习的问题，提出模式感知对齐与平衡推理模型PATRA，通过提取趋势和季节模式实现深度对齐，并设计任务感知平衡奖励以协调不同难度任务的学习，在多种时间序列问答任务中优于强基线。
2026-06-01 cs.AI
Task-Aware Specialization for Efficient and Robust Dense Retrieval for Open-Domain Question Answering
Microsoft Research（微软研究院）；Microsoft Semantic Machines（微软语义机器公司）
提出TASER架构，通过交替共享和特化块实现参数共享，在五个问答数据集上以约60%参数超越BM25及双编码器，提升准确率与域外鲁棒性。
2023-05-22 cs.CL
Enhancing Temporal Sensitivity and Reasoning for Time-Sensitive Question Answering
University of Technology Sydney（悉尼科技大学）；University of Liverpool（利物浦大学）
本文提出结合时间信息感知嵌入与粒度对比强化学习的新框架，以增强大模型的时间敏感性与推理能力，并在四个TSQA数据集上显著超越现有模型。
2024-09-29 cs.AI cs.CL
Evidentiality-aware Retrieval for Overcoming Abstractiveness in Open-Domain Question Answering
Yonsei University（延世大学）；Seoul National University（首尔大学）；LG AI Research（LG人工智能研究院）
针对抽象式开放域问答中稠密检索器可回答性监督训练数据不足、迭代标注成本高的问题，提出以数据为中心的EADPR方法，用合成干扰样本学习区分证据与干扰段落，经多任务实验验证有效。
2024-02-01 cs.AI
Learning Question-Aware Keyframe Selection with Synthetic Supervision for Video Question Answering
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出一种问题感知的关键帧选择框架，通过伪关键帧标签和覆盖正则化提升视频问答的准确率，尤其在时间与因果问题上表现突出。
2026-03-16 cs.AI cs.CV
Scalable Multi-Hop Relational Reasoning for Knowledge-Aware Question Answering
University of Southern California（南加州大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）
现有的关于用外部知识（例如，知识图谱）要么难以有效地对多跳关系进行建模，要么对模型的预测原理缺乏透明度。在本文中，我们提出了一种新的知识感知的方法，装备预训练的语言模型（PTLM）与多跳关系推理模块，命名为多跳图关系网络（MHGRN）。它对从外部知识图谱中提取的子图执行多跳、多关系推理。所提出的推理模块结合了基于路径的推理方法和图神经网络，以实现更好的可解释性和可扩展性。我们还在CommonsenseQA和OpenbookQA数据集上实证展示了其有效性和可扩展性，并通过案例研究解释了其行为。
2020-09-18 cs.CL cs.LG
Layout and Task Aware Instruction Prompt for Zero-shot Document Image Question Answering
Zhejiang University（浙江大学）
针对零样本文档图像问答，提出利用空格和换行符恢复布局信息的LATIN-Prompt及提升小模型性能的LATIN-Tuning，使大模型零样本性能媲美SOTA微调效果。
2023-09-07 cs.AI cs.CL cs.CV
Privacy Aware Question-Answering System for Online Mental Health Risk Assessment
University of Southern California（南加州大学）
本研究提出一种基于Unified-QA模型的问答式心理健康风险评估方法，通过差分隐私实现训练过程匿名化，在两个大型数据集上验证了方法有效性，且隐私保护带来的性能下降不足1%。
2023-06-09 cs.AI cs.CL cs.HC
OpCredit: Operation-Aware Policy Learning for Agentic Knowledge Graph Question Answering
Nanjing University（南京大学）；University of Oxford（牛津大学）
针对智能体KGQA中轨迹级奖励掩盖操作贡献的问题，提出OpCredit框架，结合BOC与FTC两种信用信号监督训练，经多数据集实验验证可提升KGQA性能。
2026-10-16 cs.CL
Semantic Uncertainty: Linguistic Invariances for Uncertainty Estimation in Natural Language Generation
University of Oxford（牛津大学）
本文提出语义熵方法，利用语言不变性解决自然语言生成中的语义等价问题，以无监督方式在单一模型上更准确地估计问答任务中的模型不确定性。
2023-04-15 cs.AI cs.CL cs.LG
Relation-Aware Graph Attention Network for Visual Question Answering
Microsoft Dynamics 365 AI Research（微软 Dynamics 365 AI 研究院）
视觉问答（VQA）模型需要充分理解图像中的视觉场景，特别是不同对象之间的交互动态，才能回答图像中语义复杂的问题。我们提出了一个具有感知能力的图注意力网络（ReGAT），它将每幅图像编码成一个图，并通过图注意力机制对多类型的对象间关系进行建模，以学习问题自适应的关系表示。两种类型的视觉对象的关系进行了探讨：（i）显式关系，表示几何位置和对象之间的语义交互;和（ii）隐式关系，捕捉图像区域之间的隐藏的动态。实验表明，ReGAT在VQA 2.0和VQA-CP v2数据集上的性能优于现有的最先进方法。我们进一步表明，ReGAT是兼容现有的VQA架构，并可以用作一个通用的关系编码器，以提高模型性能的VQA。
2019-10-09 cs.AI cs.CV
Integrating Subgraph-aware Relation and DirectionReasoning for Question Answering
Beijing University of Posts and Telecommunications（北京邮电大学）；Huawei Technologies CO., LTD（华为技术有限公司）；University of Lugano（卢加诺大学）；Singapore University of Technology and Design（新加坡科技设计大学）
知识库上的问答模型能够利用实体间的关系信息提供更精确的答案。虽然有效，但这些模型中的大多数仅仅依赖于固定关系表示来获得不同问题相关的KB子图的答案。因此，这些子图的丰富结构化信息可能被关系表示向量忽略。同时，推理的方向信息，这已被证明是有效的图上的答案预测，并没有在现有的工作得到充分的探讨。为了解决这些挑战，我们提出了一种新的神经模型，即方向引导的应答器（RDAS），它将每个子图中的关系转换为额外的节点来学习结构信息。此外，我们利用方向信息，以提高推理能力。实验结果表明，我们的模型在两个广泛使用的数据集上产生了实质性的改进。
2021-04-01 cs.CL
To Retrieve or Not to Retrieve? Uncertainty Detection for Dynamic Retrieval Augmented Generation
Emory University（埃默里大学）
针对确定性检索不适用于长问答的问题，研究探索多种不确定性检测方法以实现动态检索增强生成，发现相关指标可在问答准确率仅略有下降的情况下将检索调用次数减少近一半，提升了检索效率。
2025-03-18 cs.AI cs.CL cs.IR
Bayesian Uncertainty Propagation for Agentic RAG Pipelines: A Proof-of-Concept Study on Multi-Hop Question Answering
University of Hull（赫尔大学）
提出一种不确定性感知的智能体RAG框架，通过贝叶斯网络传播各阶段的不确定性信号，以估计系统级不确定性并定位潜在故障点，在HotpotQA上表现有效，但在StrategyQA上受限于校准问题。
2026-07-02 cs.AI
Dynamic Relevance Graph Network for Knowledge-Aware Question Answering
Michigan State University（密歇根州立大学）
本文研究了以知识图谱（KG）形式给出外部知识源的常识问答的学习和推理的挑战。我们提出了一种新的图神经网络结构，称为动态相关图网络（DRGN）。DRGN基于问题和答案实体对给定的KG子图进行操作，并使用节点之间的相关性得分来动态地建立新的边，以学习图网络中的节点表示。这种将相关性显式地用作图边具有以下优点：a）模型可以利用现有关系，重新缩放节点权重，并影响邻域节点的表示在KG子图中聚合的方式。b）它潜在地恢复KG中推理所需的缺失边。此外，作为副产品，由于考虑了问题节点和图实体之间的相关性，我们的模型改进了对否定问题的处理。我们提出的方法显示了竞争力的表现在两个QA基准，CommonsenseQA和OpenbookQA，相比，国家的最先进的公布的结果。
2022-09-20 cs.CL
Enhancing Open-Domain Table Question Answering via Syntax- and Structure-aware Dense Retrieval
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
本文提出语法与结构感知的稠密检索方法，通过问题语法表示、表格结构化表示及语法到结构聚合器，在NQ-tables和新开放域Text-to-SQL数据集上取得最优或显著领先效果。
2023-09-19 cs.CL
Uncertainty as Feature Gaps: Epistemic Uncertainty Quantification of LLMs in Contextual Question-Answering
University of Southern California（南加州大学）；Capital One；University of California, Irvine（加州大学伊文斯顿分校）
本文提出一种基于理论的方法，通过将认知不确定性量化为模型隐藏表示中的特征差距，用于上下文问答，并利用上下文依赖、理解和诚实性三个特征集成，显著提升不确定性量化性能。
2025-10-23 cs.CL cs.LG
Improving Health Question Answering with Reliable and Time-Aware Evidence Retrieval
Technical University of Munich（慕尼黑工业大学）
针对现有健康问答系统依赖预标注证据、难以应对新问题的局限，研究基于PubMed和检索-阅读流水线，通过优化检索文档数量、时效与引用指标，将宏F1分数最高提升10%，并指出未来研究方向。
2024-04-12 cs.AI cs.CL cs.IR
BAG: Bi-directional Attention Entity Graph Convolutional Network for Multi-hop Reasoning Question Answering
The University of Sydney（悉尼大学）；Tencent Robotics X（腾讯机器人X实验室）
多跳推理问答需要深入理解各种文档和查询之间的关系。我们提出了一个双向注意实体图卷积网络（BAG），利用实体图中的节点之间的关系和查询和实体图之间的注意力信息，来解决这个问题。图卷积网络用于获得从具有多级特征的文档构建的实体图的节点的关系感知表示。然后，双向注意力应用于图和查询，以生成查询感知节点表示，这将用于最终的预测。实验评估表明，BAG在QAngaroo WIKIHOP数据集上实现了最先进的精度性能。
2019-04-10 cs.AI cs.CL cs.LG
RASER: Recoverability-Aware Selective Escalation Router for Multi-Hop Question Answering
Institute AIFB, Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院AIFB研究所）；Shanghai Jiao Tong University, Shanghai, China（上海交通大学）
提出RASER路由器，基于单次RAG的六个特征决定是否升级到更昂贵的检索策略，在不增加额外LLM调用的情况下，在F1分数与SOTA相当的同时节省大量token。
2026-06-01 cs.AI
S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering
University of Macau（澳门大学）；Xiamen University（厦门大学）；Peking University（北京大学）；Hanyang University（翰阳大学）；University of Liverpool（利物浦大学）；Zhejiang University（浙江大学）
S-Path-RAG通过混合加权k最短路径、束搜索和约束随机游走策略，实现语义感知的多跳知识图谱问答，提升检索效率与生成准确性。
2026-03-05 cs.AI cs.CL cs.IR
Contextually Aware E-Commerce Product Question Answering using RAG
Flipkart US R\&D Center Bellevue Washington USA；Flipkart US R\&D Center
提出一种基于RAG的上下文感知电子商务产品问答框架，整合对话历史、用户画像和产品属性，处理多类型查询并识别信息缺口，引入新评估指标。
2025-08-04 cs.CL
