事实性与透明度是所有 RAG 所需的！自解释对抗证据重排序
计算与语言
2025-12-05 v1
摘要
本扩展摘要引入了自解释对抗证据重排序（Self-Explaining Contrastive Evidence Re-Ranking, CER）方法，通过对嵌入进行对抗学习微调以重新结构化检索，并为每个检索段落生成标记级归因理由。自动选择硬负样本，使用基于主观性的标准，迫使模型将事实理由拉近，同时将主观或误导性解释推远。结果，方法在嵌入空间中创建一个与证据推理显式对齐的空间。我们在临床试验报告上评估了该方法，初始实验结果表明，CER 改进了检索准确度，缓解了 RAG 系统出现幻觉的潜在风险，并提供透明、基于证据的检索，尤其在安全关键领域中提升了可靠性。
引用
@article{arxiv.2512.05012,
title = {Factuality and Transparency Are All RAG Needs! Self-Explaining Contrastive Evidence Re-ranking},
author = {Francielle Vargas and Daniel Pedronette},
journal= {arXiv preprint arXiv:2512.05012},
year = {2025}
}
备注
This work was presented as a poster at the Applied Social Media Lab during the 2025 Synthesizer & Open Showcase at the Berkman Klein Center for Internet & Society at Harvard University