面向开放无线接入网络 (ORAN) 的向量、图形和混合检索增强生成 (RAG) 流程基准测试
人工智能
2025-08-21 v2 分布式、并行与集群计算
新兴技术
网络与互联网体系结构
摘要
生成式人工智能 (GenAI) 有望在未来无线网络中发挥关键作用，以实现自主优化。 在 ORAN 架构中，大语言模型 (LLM) 可以通过利用来自运行智能控制器 (RIC) 平台的规范和 API 定义来专门化，从而生成 xApp 和 rApp。然而，针对电信领域特定任务对基础 LLM 进行微调仍然昂贵且资源密集。检索增强生成 (RAG) 通过基于上下文学习提供了一种实用替代方案，无需完全重新训练即可实现领域适应。虽然传统 RAG 系统依赖基于向量的检索，新兴变体如 GraphRAG 和 Hybrid GraphRAG 则采用知识图谱或双检索策略，以支持多跳推理并提高事实依扴。尽管这些方法前景光明，但在高风险领域（如 ORAN）方面，这些方法缺乏系统的、以指标为导向的评估。本研究对 Vector RAG、GraphRAG 和 Hybrid GraphRAG 在 ORAN 规范下的性能进行比较评估。我们根据问题复杂度评估其性能，使用 established 生成指标：忠实度、答案相关性、上下文相关性和事实正确性。结果表明，GraphRAG 和 Hybrid GraphRAG 均优于传统 RAG。Hybrid GraphRAG 在事实正确性方面提升了 8%，GraphRAG 在上下文相关性方面提升了 11%。
引用
@article{arxiv.2507.03608,
title = {Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)},
author = {Sarat Ahmad and Zeinab Nezami and Maryam Hafeez and Syed Ali Raza Zaidi},
journal= {arXiv preprint arXiv:2507.03608},
year = {2025}
}