面向多跳问答的可信计划驱动检索增强生成方法
计算与语言
2025-04-24 v1 机器学习
摘要
检索增强生成 (RAG) 通过整合外部知识在单跳问答中展现出强大的性能，但在多跳问答中仍受限于需要稳定推理和事实一致性。现有方法往往只解决其中一部分问题，要么稳定推理轨迹，要么事实验证，难以同时实现。为填补这一差距，我们提出了 PAR-RAG，一个受 PDCA 循环启发的三阶段计划-执行-审查框架。PAR-RAG 通过将语义复杂度作为统一原则，包含三个关键组件：(i) 复杂度感知的样本选择通过对齐分解粒度与问题难度来指导计划生成，从而稳定推理轨迹；(ii) 执行遵循结构化的检索-阅读流程；(iii) 双重验证识别并纠正中间错误，根据问题复杂度动态调整验证强度：对简单查询强调准确性，对复杂查询强调多证据一致性。该认知启发的框架将理论 grounding 与实际鲁棒性相结合。跨越 diverse benchmarks 的实验表明，PAR-RAG 在各类基准测试中一致优于竞争性 baseline，消融研究确认复杂度感知规划和双重验证的互补作用。总体而言，这些结果将 PAR-RAG 确立为可靠且通用的多跳推理框架。
引用
@article{arxiv.2504.16786,
title = {MOOSComp: Improving Lightweight Long-Context Compressor via Mitigating Over-Smoothing and Incorporating Outlier Scores},
author = {Fengwei Zhou and Jiafei Song and Wenjin Jason Li and Gengjian Xue and Zhikang Zhao and Yichao Lu and Bailin Na},
journal= {arXiv preprint arXiv:2504.16786},
year = {2025}
}