RAG Paper List - 检索增强生成论文汇总(2)
-
论文参考:Retrieval-Augmented Generation for AI-Generated Content: A Survey
-
摘要:模型算法的进步、基础模型的增长以及对高质量数据集的访问推动了人工智能生成内容 (AIGC) 的发展。尽管取得了显著的成功,但 AIGC 仍然面临诸如更新知识、处理长尾数据、减少数据泄漏以及管理高昂的训练和推理成本等障碍。检索增强一代 (RAG) 最近成为应对此类挑战的一种范式。特别是,RAG 引入了信息检索过程,它通过从可用数据存储中检索相关对象来增强生成过程,从而提高准确性和稳健性。在本文中,我们全面回顾了将 RAG 技术整合到 AIGC 情景中的现有努力。我们首先根据检索器如何增强生成器对 RAG 基础进行分类,提炼出各种检索器和生成器的增强方法的基本抽象。这种统一的视角涵盖了所有 RAG 情景,阐明了有助于未来潜在进展的进步和关键技术。我们还总结了 RAG 的其他增强方法,促进了 RAG 系统的有效工程和实施。然后从另一个角度,我们调查了 RAG 在不同模式和任务中的实际应用,为研究人员和从业者提供了有价值的参考。此外,我们介绍了 RAG 的基准,讨论了当前 RAG 系统的局限性,并为未来的研究提出了潜在的方向
-
链接