面向可靠无线法规解释的检索增强生成
信息检索
2025-11-14 v2 人工智能
计算与语言
机器学习
信号处理
摘要
我们研究了无线法规领域的问答任务，这是一个法律敏感且风险较高的领域。我们提出了面向电信领域的检索增强生成 (RAG) 流程，并引入了据我们所知首个针对该领域的多选评估数据集，数据集由自动筛选和人工验证构建。为评估检索质量，我们定义了领域特定的检索指标，在此指标下，我们的检索器实现约为 97% 的准确率。除了检索之外，我们的方法在所有测试模型上均显著提升了生成准确率。特别是，虽然直接将文档插入而不进行结构化检索仅为 GPT-4o 带来有限的提升（不足 1%），但应用我们的管道后，提升幅度接近 12%。这些发现表明，精准定位是简单而强大的基准，以及该领域监管问答的有效解决方案。所有代码和评估脚本，以及我们派生出的问答数据集，均可在 https://github.com/Zakaria010/Radio-RAG 上获取。
引用
@article{arxiv.2509.09651,
title = {Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations},
author = {Zakaria El Kassimi and Fares Fourati and Mohamed-Slim Alouini},
journal= {arXiv preprint arXiv:2509.09651},
year = {2025}
}
备注
12 pages, 7 figures, AI4NextG @ NeurIPS 2025