The author explores the integration of retrieval techniques with generative models to enhance AI-generated content, addressing challenges and proposing advancements in the field.
Retrieval-Augmented Generation (RAG) verbessert die Leistung von KI-generierten Inhalten durch die Integration von Informationsabruf in den Generierungsprozess.
Retrieval-Augmented Generation (RAG) enhances Large Language Models (LLMs) by incorporating external knowledge, improving accuracy, and credibility for knowledge-intensive tasks.
Superposition prompting is a novel framework that can simultaneously improve the time efficiency and accuracy of retrieval-augmented generation with large language models, without requiring any additional training or fine-tuning.
A novel optimization framework for end-to-end optimization of retrieval-augmented generation models by maximizing stochastic expected utility.
UncertaintyRAG 透過利用基於訊噪比 (SNR) 的跨度不確定性來估計文本塊之間的相似性,從而增強了長文本檢索增強生成 (RAG) 的效能,並在分佈轉移的情況下表現出卓越的泛化能力。
대규모 언어 모델(LLM)은 일반적인 자연어 처리 작업에는 탁월하지만, 도메인 특정적이고 지식 집약적인 작업에서는 환각, 지식 차단 및 지식 속성 부족으로 어려움을 겪습니다. 본 논문에서는 RAG(검색 기반 생성)를 지식 그래프(KG) 및 벡터 저장소(VS)와 통합하여 도메인 특정 정보를 활용하는 LLM 프레임워크인 SMART-SLIC를 소개합니다. 이 프레임워크는 맬웨어 분석 및 이상 탐지에 관한 과학 출판물 코퍼스에 대한 질문 답변 기능을 입증하며, 정보 출처를 속성하고 환각을 완화하며 미세 조정의 필요성을 줄이고 고도로 도메인 특정적인 질문 답변 작업에서 탁월합니다.
Unified Active Retrieval (UAR) improves the efficiency and accuracy of Retrieval-Augmented Generation (RAG) by using multiple criteria to determine when retrieval is necessary, avoiding unnecessary retrieval and its negative impacts on performance.