TC-RAG：图灵完备 RAG 在医学 LLM 系统中的案例研究
信息检索
2024-08-20 v1
摘要
在提升领域特定大语言模型 (LLM) 的过程中，检索增强生成 (RAG) 作为缓解幻觉、知识过时以及在高度专业查询中 expertise 有限等问题的有前景解决方案。然而，现有 RAG 方法忽略了系统状态变量，这些变量对于确保自适应控制、检索停止和系统收敛至关重要。本文引入了 TC-RAG，通过严格的数学证明，提出了一种新框架，通过引入图灵完备系统来管理状态变量，从而实现更高效和更准确的知识检索。通过利用具有自适应检索、推理和规划能力的记忆栈系统，TC-RAG 不仅确保检索过程的受控停止，还通过 Push 和 Pop 操作来缓解错误知识的积累。在医学领域的案例研究中，我们在真实世界的医疗数据集上进行的大规模实验表明，TC-RAG 在准确率上优于现有方法超过 7.20%。我们的数据集和代码已在 https://https://github.com/Artessay/SAMA.git 上提供。
引用
@article{arxiv.2408.09199,
title = {TC-RAG:Turing-Complete RAG's Case study on Medical LLM Systems},
author = {Xinke Jiang and Yue Fang and Rihong Qiu and Haoyu Zhang and Yongxin Xu and Hao Chen and Wentao Zhang and Ruizhe Zhang and Yuchen Fang and Xu Chu and Junfeng Zhao and Yasha Wang},
journal= {arXiv preprint arXiv:2408.09199},
year = {2024}
}
备注
version 1.0