基于 LLM 的多粒度索引与置信约束的检索增强生成
计算与语言
2025-11-03 v1
摘要
本文针对检索增强生成在复杂知识环境下覆盖不足、结果不稳定和可靠性有限的问题，提出一种集成多粒度记忆索引与不确定性估计的置信度控制方法。该方法构建分层记忆结构，将知识表示划分为不同粒度，实现从局部细节到全局语境的动态索引与检索，从而在检索与生成之间建立更紧密的语义联系。基于此，引入不确定性估计机制，显式约束和过滤生成过程中低置信度的路径，使模型在保持信息覆盖的同时有效抑制噪声和错误内容。整体优化目标由生成损失、熵约束和方差正则化组成，形成统一的置信度控制框架。在实验中，设计了全面的敏感性测试和比较分析，涵盖超参数、环境条件和数据结构，以验证该方法在不同情景下的稳健性和鲁棒性。结果表明，该方法在 QA 准确率、检索召回率、排序质量和事实一致性方面优于现有模型，展示了将多粒度索引与置信度控制结合的有效性。该研究不仅为检索增强生成提供了新的技术路径，也为提高大规模模型在复杂情境下的可靠性和可控性提供了实证依据。
引用
@article{arxiv.2510.27054,
title = {LLM-Centric RAG with Multi-Granular Indexing and Confidence Constraints},
author = {Xiaofan Guo and Yaxuan Luan and Yue Kang and Xiangchen Song and Jinxu Guo},
journal= {arXiv preprint arXiv:2510.27054},
year = {2025}
}