論文の概要: K-COMP: Retrieval-Augmented Medical Domain Question Answering With Knowledge-Injected Compressor

• arxiv url: http://arxiv.org/abs/2501.13567v1
• Date: Thu, 23 Jan 2025 11:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:28.806175
• Title: K-COMP: Retrieval-Augmented Medical Domain Question Answering With Knowledge-Injected Compressor
• Title（参考訳）: K-COMP:知識注入圧縮機を用いた検索型医療領域質問応答
• Authors: Jeonghun Cho, Gary Geunbae Lee,
• Abstract要約: 本稿では,K-COMP (Knowledge-injected compressor) を提案する。 圧縮機は、応答プロセスを容易にするために、必要な事前知識を自動的に生成する。 この事前知識と簡潔なコンテキストを増大させることで、読者モデルは関連する回答へと導かれる。
• 参考スコア（独自算出の注目度）: 4.795837146925278
• License:
• Abstract: Retrieval-augmented question answering (QA) integrates external information, and thereby increases the QA accuracy of reader models that lack domain knowledge. However, documents retrieved for closed domains require high expertise, so the reader model may have difficulty fully comprehending the text. Moreover, the retrieved documents contain thousands of tokens, some unrelated to the question. As a result, the documents include some inaccurate information, which could lead the reader model to mistrust the passages and could result in hallucinations. To solve these problems, we propose K-COMP (Knowledge-injected compressor) which provides the knowledge required to answer correctly. The compressor automatically generates the requisite prior knowledge to facilitate the answering process prior to the compression of retrieved passages. Subsequently, the passages are compressed autoregressively, with the generated knowledge being integrated into the compression process. This process ensures alignment between the question intent and the compressed context. By augmenting this prior knowledge and concise context, the reader models are guided toward relevant answers and trust the context.
• Abstract（参考訳）: Retrieval-augmented Question answering (QA)は外部情報を統合し、ドメイン知識に欠ける読者モデルのQA精度を向上させる。 しかし、クローズドドメインのために検索された文書は高い専門知識を必要とするため、読者モデルはテキストを完全に理解することが困難である可能性がある。 さらに、回収された文書には数千のトークンが含まれており、いくつかは問題とは無関係である。 結果として、文書にはいくつかの不正確な情報が含まれており、それによって読者モデルがパスを不信にし、幻覚をもたらす可能性がある。 これらの問題を解決するために,K-COMP (Knowledge-injected compressor) を提案する。 圧縮機は、検索された通路の圧縮に先立って応答プロセスを容易にするために、必要な事前知識を自動的に生成する。 その後、パスは自己回帰的に圧縮され、生成された知識は圧縮プロセスに統合される。 このプロセスは、質問意図と圧縮されたコンテキストとの整合性を保証する。 この事前知識と簡潔なコンテキストを増大させることで、読者モデルは関連する回答に導かれ、コンテキストを信頼される。

関連論文リスト

• BRIEF: Bridging Retrieval and Inference for Multi-hop Reasoning via Compression [91.23933111083389]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで、大きな言語モデル(LLM)を補完することができる。 本稿では,クエリ対応マルチホップ推論を行う軽量なアプローチであるBRIEFを提案する。 オープンソースモデルで構築した合成データに基づいて,BRIEFはより簡潔な要約を生成する。
  論文  参考訳（メタデータ） (2024-10-20T04:24:16Z)
• AdaComp: Extractive Context Compression with Adaptive Predictor for Retrieval-Augmented Large Language Models [15.887617654762629]
  ノイズを含む検索された文書は、RAGが答えの手がかりを検知するのを妨げ、推論プロセスを遅く、高価にする。 本稿では,クエリの複雑さと検索品質の両面から圧縮率を適応的に決定する,低コストな抽出文脈圧縮手法であるAdaCompを紹介する。
  論文  参考訳（メタデータ） (2024-09-03T03:25:59Z)
• QPaug: Question and Passage Augmentation for Open-Domain Question Answering of LLMs [5.09189220106765]
  オープンドメイン問合せタスクのための大規模言語モデル(LLM)を介してQPaug(Q and passage augmentation)と呼ばれるシンプルで効率的な手法を提案する。 実験の結果,QPaugは従来の最先端技術よりも優れており,既存のRAG法よりも大きな性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-06-20T12:59:27Z)
• Merging Generated and Retrieved Knowledge for Open-Domain QA [72.42262579925911]
  COMBOは、より良いオープンドメインQAフレームワークのための互換性指向の知識の融合である。 COMBOは4つのテスト済みオープンドメインQAベンチマークのうち3つで競合ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2023-10-22T19:37:06Z)
• RECOMP: Improving Retrieval-Augmented LMs with Compression and Selective Augmentation [61.53695868960846]
  テキスト内統合に先立って,検索した文書をテキスト要約に圧縮する手法を提案する。 これにより、計算コストを削減できるだけでなく、長期検索された文書の関連情報を識別する上で、LMの負担を軽減できる。 本研究では,あるLMに対して訓練した圧縮機を言語モデリングタスク上で他のLMに転送し,検索した文書にほぼ忠実な要約を提供することを示す。
  論文  参考訳（メタデータ） (2023-10-06T17:55:36Z)
• Detect, Retrieve, Comprehend: A Flexible Framework for Zero-Shot Document-Level Question Answering [6.224211330728391]
  研究者は貴重な技術知識を含む何千もの学術文書を作成した。 文書レベルの質問応答(QA)は、人間の提案する質問を適応して多様な知識を抽出できる柔軟なフレームワークを提供する。 本稿では,PDFからテキストを抽出する3段階の文書QAアプローチ,抽出したテキストからエビデンスを抽出して適切な文脈を形成する方法,文脈から知識を抽出して高品質な回答を返すためのQAを提案する。
  論文  参考訳（メタデータ） (2022-10-04T23:33:52Z)
• Multifaceted Improvements for Conversational Open-Domain Question Answering [54.913313912927045]
  対話型オープンドメイン質問回答(MICQA)のための多面的改善フレームワークを提案する。 第一に、提案したKL分割に基づく正規化は、検索と解答のためのより良い質問理解をもたらすことができる。 第二に、追加されたポストランカモジュールは、より関連性の高いパスをトップにプッシュし、2アスペクトの制約で読者に選択できる。 第3に、十分に設計されたカリキュラム学習戦略は、訓練と推論の黄金の通路設定のギャップを効果的に狭め、黄金の通路支援なしで真の答えを見つけることを奨励する。
  論文  参考訳（メタデータ） (2022-04-01T07:54:27Z)
• HopRetriever: Retrieve Hops over Wikipedia to Answer Complex Questions [38.89150764309989]
  We build HopRetriever that retrieves hops over Wikipedia to answer complex questions。 また,本手法は証拠収集過程の定量的解釈ももたらしている。
  論文  参考訳（メタデータ） (2020-12-31T10:36:01Z)
• Answering Any-hop Open-domain Questions with Iterative Document Reranking [62.76025579681472]
  オープンドメインの問に答える統合QAフレームワークを提案する。 提案手法は,シングルホップおよびマルチホップのオープンドメインQAデータセットにおいて,最先端技術に匹敵する性能を継続的に達成する。
  論文  参考訳（メタデータ） (2020-09-16T04:31:38Z)
• Knowledge-Aided Open-Domain Question Answering [58.712857964048446]
  本稿では,知識支援型オープンドメインQA(KAQA)手法を提案する。 文書検索の際、質問と他の文書との関係を考慮し、候補文書を採点する。 回答の再ランク付けの間、候補の回答は、自身のコンテキストだけでなく、他の文書からのヒントを使って再ランクされる。
  論文  参考訳（メタデータ） (2020-06-09T13:28:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。