Know3-RAG：基于自适应检索、生成与过滤的知识感知RAG框架
机器人学
2026-01-12 v1 分布式、并行与集群计算
摘要
近期大型语言模型（LLMs）的进展推动了自然语言生成的显著进步，但其倾向于生成幻觉或无依据内容的现象仍是 critical concern。为提高事实可靠性，检索增强生成（RAG）在推理过程中集成外部知识。然而，现有RAG系统面临两个主要局限性：（1）由于外部知识监督有限，适应性控制不可靠；（2）由于不准确或不相关的参考文献导致幻觉。为解决这些问题，我们提出Know3-RAG，一种知识感知RAG框架，利用知识图谱（KGs）中的结构化知识指导RAG过程的三个核心阶段，包括检索、生成和过滤。具体而言，我们引入一种知识感知自适应检索模块，采用KG嵌入来评估生成答案的可信度并确定检索必要性；一种知识增强参考生成策略，通过KG派生实体丰富查询以提高生成参考的相关性；以及一种知识驱动的参考过滤机制，确保参考文献的语义对齐和事实准确性。在多个开放域问答基准测试上的实验表明，Know3-RAG consistently优于强大的基线，显著减少幻觉并提高答案的可靠性。
引用
@article{arxiv.2505.12661,
title = {Digital Twins in the Cloud: A Modular, Scalable and Interoperable Framework for Accelerating Verification and Validation of Autonomous Driving Solutions},
author = {Tanmay Vilas Samak and Chinmay Vilas Samak and Giovanni Martino and Pranav Nair and Venkat Krovi},
journal= {arXiv preprint arXiv:2505.12661},
year = {2026}
}
备注
Accepted at ASME International Design Engineering Technical Conferences & Computers and Information in Engineering Conference (IDETC-CIE) 2025