通过检索增强的风格转移多样化问题生成
我们提出了一种新的多样性评估度量,用于评估每个实例的前 K 个生成问题的多样性,并确保它们与事实相关。同时,我们引入了一个双模型框架,通过两种选择策略将外部自然问题与生成模型相结合,以生成多样化的问题。实验结果表明,我们的方法生成了高度多样化的问题,并改善了问题回答任务的性能。
Sep, 2023
通过不同查询样式进行多样化检索,使用 Diverse-Style Retrieval 数据集构建样式多样化的图像检索任务,并提出轻量级的样式多样化检索框架,实验证明该模型优于现有的检索模型,并可以同时检索多样化查询。
Dec, 2023
为了中学数学学生,与导师进行互动式问答是一种有效的学习方式,尤其在数学概念的概念讨论方面,使用生成式大语言模型(LLMs)自动化部分辅导过程,结合检索增强生成(RAG)系统,从高质量开源数学教材中检索和使用内容来生成辅导的回答对于中学代数和几何问题解答得到了积极评价,但需考虑学生所偏好的回答和与特定教育资源相匹配回答之间的平衡。
Oct, 2023
本文提出一种基于排列点过程和 BERT 的重新排序方法,综合考虑询问 - 段落相关性和段落 - 段落相关性,从而检索既与查询相关又具备多样性答案的段落。结果表明,我们的方法在 AmbigQA 数据集上优于现有技术。
Nov, 2022
该论文提出了一种利用检索增强生成技术和迁移学习来处理教科书问答中领域外情况的方法,以处理复杂的语境和多模态数据,并改善推理能力。通过对 Llama-2 模型进行监督微调和引入 RAG,我们的架构在非图表多项选择题中相较于基线模型,在验证集上精度提升了 4.12%,在测试集上提升了 9.84%。
Feb, 2024
本文提出一个 QAG 框架,通过生成不同的疑问句和隐式 / 显式答案,增强 QA 类型的多样性,该框架包括 QFS 基于答案生成器、迭代 QA 生成器和相关性感知排序器。
Jun, 2023
MuRAG 是第一个多模态检索增强变压器,利用外部非参数多模态存储器来增强语言生成,并在 WebQA 和 MultimodalQA 两个数据集上实现了最新的准确性,优于现有模型 10-20%绝对值。
Oct, 2022
通过使用大型语言模型(LLM)生成搜索查询,检索由语音和视觉元数据索引的相关视频片段,并将用户查询与此元数据集成以生成具有特定视频时间戳的响应,我们提出了一种在视频库中应用检索增强生成(RAG)的可互操作体系结构,该方法公有多媒体内容检索和人工智能辅助视频内容创建中潜在应用。
Jun, 2024