May, 2024

在 BioLaySumm 中的 RAG-RLRC-LaySum：整合了检索增强生成和可读性控制，用于医学文本的通俗摘要

PDF
TL;DR该论文介绍了 RAG-RLRC-LaySum 框架，通过先进的自然语言处理技术，使复杂的生物医学研究能够被非专业人士理解。我们的 RAG 解决方案借助重新排序方法利用多个知识源来确保准确性和相关性，同时我们的 RLRC 策略通过提高可读性使科学内容易于理解。在使用公开可访问的 PLOS 和 eLife 数据集进行评估时，我们的方法超过了 Plain Gemini 模型，读者易读性得分提高了 20%，ROUGE-2 相关性得分提高了 15%，事实准确性提高了 10%。RAG-RLRC-LaySum 框架能够有效地推广科学知识，促进公众对生物医学发现的参与。
rag-rlrc-laysum frameworkbiomedical researchnatural language processinglay summariespublic engagement
发现论文，激发创造
  • 构建稳健的基于检索的摘要系统

    对大型语言模型（LLMs）在检索增强生成（RAG）式摘要任务中的鲁棒性进行了研究，提出了一种创新的评估框架 LogicSumm，通过现实场景评估 LLMs 在复杂的真实场景下的性能，并基于 LogicSumm 的限制提出了 SummRAG 系统，通过训练对话和模型微调来提高鲁棒性，实验证实了 SummRAG 的能力，展示了逻辑连贯性和摘要质量的提升。

    Mar, 2024

  • 用于医学教育中大规模非结构化文本数据的检索增强生成和代表性向量摘要化

    本文讨论了检索增强生成模型在医学教育领域的应用，并提出了一种使用代表向量对大规模非结构化文本数据进行抽取和生成式摘要的方法。

    Aug, 2023

  • 大型语言模型中的检索增强生成的开发与测试 -- 一份案例研究报告

    大型语言模型（LLMs）在医疗应用中具有重要潜力，而检索增强生成（RAG）被认为是一种有前景的方法来定制 LLMs 中的领域知识。该研究通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的 LLM-RAG 流程，验证了其可行性。

    Jan, 2024

  • 面向电子离子对撞机的基于 RAG 的摘要生成代理

    研究正在开发基于检索增强生成（RAG）的电子离子对撞机（EIC）AI 摘要代理（RAGS4EIC）。这一创新型的人工智能驱动框架不仅简化了庞大数据集的理解，还鼓励协作参与，从而增强了研究人员的能力。

    Mar, 2024

  • BiomedRAG：一种用于生物医学领域的检索增强大型语言模型

    利用检索增强的生成模型在生物医学领域中实现大型语言模型的知识更新和性能提升，并证明了 BiomedRAG 在 5 个生物医学自然语言处理任务中的卓越表现。

    May, 2024

  • 借助具备检索增强功能的大型语言模型改进医学推理

    自主生物文档检索增强式生成（Self-BioRAG）是一种可靠的生物医学文本生成解释、检索特定领域文档，并进行自我反思的框架。通过使用 84k 个过滤后的生物医学指令集训练 Self-BioRAG，它可以使用定制的反思标记评估其生成的解释。实验结果表明，Self-BioRAG 在三个主要的医学问答基准数据集上实现了显著的性能增益，平均绝对改进率为 7.2％，超过了参数大小为 7B 或更少的最先进的开放式基础模型。我们将数据和模型权重（7B 和 13B）发布出来，以增强生物医学和临床领域的能力。

    Jan, 2024

  • 基于图的检索器捕捉生物医学知识的长尾

    通过利用知识图谱缓解信息过载问题，本研究提出了一种新的信息检索方法，其检索性能在精确度和召回率两方面约为嵌入相似性方法的两倍，并且证明了嵌入相似性和知识图谱检索方法可以有益地结合成一个混合模型，优于两者，从而能够对生物医学问答模型进行潜在改进。

    Feb, 2024

  • 低资源医疗问答应用的两层信息检索增强生成框架：基于 Reddit 数据的概念验证

    检索增强生成 (RAG) 通过提供相关的上下文文本，可以约束生成模型的输出，并减轻产生虚假信息的可能性。我们提出了一个双层 RAG 框架用于查询焦点答案生成，并在社交媒体论坛中对此框架的概念验证进行评估，重点是从新兴的与药物相关信息中生成查询焦点摘要。评估结果表明，在资源受限的环境中，双层框架能够帮助研究人员从用户那里获取几乎实时的数据。

    May, 2024

  • RQ-RAG: 学习改进用于检索增强生成的查询

    学习改进查询以实现检索增强生成，通过加入外部相关文档，使模型具备显式重写、分解和消歧的能力，并在各种问题回答数据集中取得了优于现有方法的表现。

    Mar, 2024

  • 通过自学使大型语言模型能够建立知识检索索引器

    该研究提出了一种名为 PG-RAG 的预检索框架，使用大量阅读材料和结构化的语境记录来构建伪图数据库，该框架在单文档和多文档的问题回答任务中表现出明显的改进，具有高性能的检索和生成能力。

    May, 2024