DFAMS：基于动态信息流的联合引导多原型搜索
机器学习
2025-10-15 v2 计算与语言
摘要
联合检索 (FR) 将查询路由到多个外部知识源，以弥补大型语言模型 (LLMs) 在必要时获取外部知识的幻觉问题。然而，现有方法在处理模糊查询，尤其是跨域场景时，难以检索出高质量且相关的文档，显著限制了其在支持下游生成任务方面的效果。受动态信息流 (DIF) 的启发，我们提出了 DFAMS 框架，利用 DIF 识别潜在查询意图并构建语义对齐的知识分区，以实现跨异构来源的准确检索。具体而言，DFAMS 通过利用少量标注查询的梯度信号，并采用Shapley 值方法追踪与意图识别和子域边界检测相关的神经元激活路径来探测 DIF。随后，DFAMS 利用 DIF 通过多原型对比学习训练对齐模块，实现对知识库中源内细粒度建模和源间语义对齐。实验结果表明，DFAMS 在五个基准任务上均优于先进的 FR 方法，在知识分类准确率提升最高可达 14.37%，检索召回率提升 5.38%，下游问答准确率提升 6.45%，显著提升了在复杂 FR 场景中的效果。我们的代码已匿名发布于 https://anonymous.4open.science/r/DFAMS/。
引用
@article{arxiv.2508.20353,
title = {DFAMS: Dynamic-flow guided Federated Alignment based Multi-prototype Search},
author = {Zhibang Yang and Xinke Jiang and Rihong Qiu and Ruiqing Li and Yihang Zhang and Yue Fang and Yongxin Xu and Hongxin Ding and Xu Chu and Junfeng Zhao and Yasha Wang},
journal= {arXiv preprint arXiv:2508.20353},
year = {2025}
}
备注
8 pages, 3 figures