RAG / 检索增强生成

Comprehensive Comparison of RAG Methods Across Multi-Domain Conversational QA

跨多领域对话问答中RAG方法的全面比较

Klejda Alushi, Jan Strich, Chris Biemann, Martin Semmann

机构 * Hub of Computing and Data Science (HCDS) University of Hamburg（计算与数据科学中心（HCDS）乌姆斯大学） 纠错

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

AI总结 本文通过跨多领域对话问答数据集的全面比较，发现简单策略在多轮对话中表现更优，而复杂方法未必有效，强调检索策略与数据集结构的匹配至关重要。

Comments Accepted to EACL SRW 26

Traceable Cross-Source RAG for Chinese Tibetan Medicine Question Answering

可追溯的多源RAG用于藏医药问答

Fengxian Chen, Zhilong Tao, Jiaxuan Li, Yunlong Li, Qingguo Zhou

机构 * School of Information Science & Engineering, Lanzhou University（信息科学与工程学院，兰州大学） 纠错

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

AI总结 本文提出DAKS和对齐图方法，用于提升多源RAG在藏医药问答中的可追溯性、减少幻觉并增强跨知识库验证能力。

Closing Reasoning Gaps in Clinical Agents with Differential Reasoning Learning

通过差异推理学习关闭临床代理中的推理差距

Jinsong Liu, Yuhang Jiang, Ramayya Krishnan, Rema Padman, Yiye Zhang, Jiang Bian

机构 * Dept. of Population Health Sciences, Weill Cornell Medicine, Cornell University（人口健康科学系，韦尔·科恩医学中心，康奈尔大学） 纠错

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

AI总结 DRL通过学习推理差异改进临床代理，提升问答和预测任务的准确性和推理可信度。

AnalyticsGPT: An LLM Workflow for Scientometric Question Answering

AnalyticsGPT: 一个基于大语言模型的科学度量问答工作流

Khang Ly, Georgios Cheirmpos, Adrian Raudaschl, Christopher James, Seyed Amin Tabatabaei

机构 * Elsevier B.V.（埃塞尔弗斯有限公司） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 AnalyticsGPT通过LLM实现科学度量问答，结合检索增强生成和代理概念，提升科学数据分析效率。