RAG / 检索增强生成

RAG-BioQA: A Retrieval-Augmented Generation Framework for Long-Form Biomedical Question Answering

RAG-BioQA：一种用于长文本生物医学问答的检索增强生成框架

Lovely Yeswanth Panchumarthi, Sumalatha Saleti, Sai Prasad Gudari, Atharva Negi, Praveen Raj Budime, Harsit Upadhya

机构 * Department of CSE Emory University Georgia, USA（计算机科学与工程系 埃默里大学 美国佐治亚州） ； Department of CSE SRM University AP Andhra Pradesh, India（计算机科学与工程系 SRM大学AP 安得拉邦印度） ； Department of CSE Trine University Michigan, USA（计算机科学与工程系 特林大学 密歇根州美国） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 RAG-BioQA通过结合BioBERT和FAISS实现检索增强生成，提升长文本生物医学问答的准确性和可复现性。

Comments Submitted to ICAEI

Retrieval--Reasoning Processes for Multi-hop Question Answering: A Four-Axis Design Framework and Empirical Trends

多跳问答中的检索-推理过程：一种四维设计框架和实证趋势

Yuelyu Ji, Zhuochun Li, Rui Meng, Daqing He

机构 * School of Computing and Information, University of Pittsburgh（计算与信息学院，匹兹堡大学） ； Google Cloud AI Research（谷歌云人工智能研究） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.CL

AI总结 本文提出四维设计框架，分析多跳问答系统中检索-推理过程的执行计划、索引结构、控制策略和停止标准，揭示有效性、效率与证据忠实度的权衡，并指出结构感知规划、可转移控制策略和鲁棒停止是未来挑战。