通过排除来纳入：医学问答中的对比假设检索
信息检索
2026-04-07 v1 人工智能
计算与语言
摘要
检索增强生成（RAG）将大型语言模型 grounded 在外部医学知识之上，但标准检索器常常检索到与查询语义接近却描述临床不同条件的硬负样本。虽然现有的查询扩展方法通过丰富目标相关语义来缓解歧义，但通常缺乏对特定临床可信硬负样本的选择性抑制机制。这使得系统容易检索到掩盖实际诊断的模拟样本，尤其当此类模拟样本在语料库中占主导时。我们提出对比假设检索（CHR）框架，灵感来自临床差异诊断过程。CHR 生成针对likely正确答案的目标假设 ，以及针对最可能错误备选方案的模仿假设 ，然后通过促进 对齐证据的同时惩罚 对齐内容来对文档进行评分。在三个医学 QA 数据集和三个答案生成器上，CHR 在每种配置下均优于所有五个基线方法，提升幅度可达最佳方法的 10.4 个百分点。在 587 例 CHR 正确回答且嵌入式假设-文档查询扩展方法不正确的案例中，85.2% 的案例的前 5 名检索列表之间无共享文档，表明这是一种实质性的检索重定向，而非对相同候选的轻度重排序。通过显式建模既要寻找什么又要避免什么，CHR 将临床推理与检索机制设计相结合，为减少医学 RAG 系统中的硬负样本污染提供了实际可行的路径。
引用
@article{arxiv.2604.04593,
title = {Ruling Out to Rule In: Contrastive Hypothesis Retrieval for Medical Question Answering},
author = {Byeolhee Kim and Min-Kyung Kim and Young-Hak Kim and Tae-Joon Jeon},
journal= {arXiv preprint arXiv:2604.04593},
year = {2026}
}