查看“WikiEdge:ArXiv速递/2025-04-02”的源代码

== 摘要 ==
* '''原文标题'''：GeoRAG: A Question-Answering Approach from a Geographical Perspective
* '''中文标题'''：GeoRAG：地理视角下的问答方法
* '''发布日期'''：2025-04-02 08:11:05+00:00
* '''作者'''：Jian Wang, Zhuo Zhao, Zheng Jie Wang, Bo Da Cheng, Lei Nie, Wen Luo, Zhao Yuan Yu, Ling Wang Yuan
* '''分类'''：cs.IR
*'''原文链接'''：http://arxiv.org/abs/2504.01458v1
'''中文摘要'''：[[地理问答]]（GeoQA）通过处理[[地理领域]]的[[自然语言查询]]来满足复杂[[用户需求]]并提升[[信息检索]]效率。然而传统[[问答系统]]存在理解局限、检索精度低、交互性弱及复杂任务处理不足等问题，阻碍了精准[[信息获取]]。本研究提出[[GeoRAG]]框架，该知识增强型问答系统融合[[领域微调]]、[[提示工程]]与[[检索增强生成]]（RAG）技术，以提升[[地理知识]]检索精度和[[用户交互]]体验。[[方法论]]包含四个组件：（1）基于3267份语料（[[研究论文]]、[[专著]]与[[技术报告]]）构建结构化[[地理知识库]]，通过[[多智能体]]方法归类为[[语义理解]]、[[空间位置]]、[[几何形态]]、[[属性特征]]、[[要素关联]]、[[演化过程]]与[[运作机制]]七个维度，最终生成145234条分类条目与875432组多维[[问答对]]；（2）基于[[BERT-Base-Chinese]]的[[多标签文本分类器]]，用于通过[[地理维度]]分类解析[[查询类型]]；（3）利用[[问答对]]数据的[[检索评估器]]，优化[[查询-文档相关性]]判定以提升[[检索精度]]；（4）[[GeoPrompt]]模板动态整合[[用户查询]]与[[检索信息]]，通过[[维度特异性]]提示提升[[响应质量]]。对比实验表明[[GeoRAG]]在多个[[基础模型]]上均优于传统[[RAG]]，验证了其[[泛化能力]]。本研究通过提出[[领域专用]]大语言模型部署新范式，推动[[地理人工智能]]发展，对提升现实场景中[[GeoQA]]系统的[[可扩展性]]与[[准确性]]具有[[实践意义]]。

== 摘要 ==
* '''原文标题'''：A Unified Approach to Analysis and Design of Denoising Markov Models
* '''中文标题'''：去噪马尔可夫模型分析与设计的统一方法
* '''发布日期'''：2025-04-02 17:46:43+00:00
* '''作者'''：Yinuo Ren, Grant M. Rotskoff, Lexing Ying
* '''分类'''：cs.LG, cs.NA, math.NA, stat.ML
*'''原文链接'''：http://arxiv.org/abs/2504.01938v1
'''中文摘要'''：基于[[测度传输]]的[[概率生成模型]]（如[[扩散模型]]和基于[[流]]的模型）通常采用[[马尔可夫随机过程|马尔可夫随机动力学]]语言进行表述，其中底层过程的选择同时影响[[算法设计]]决策和[[理论分析]]。本文旨在为[[去噪马尔可夫模型]]建立严格的[[数学基础]]——这类生成模型假设存在从前向过程（从[[目标分布]]过渡到简单易采样分布）与特别构建的后向过程（实现逆向高效采样）。通过与[[非平衡统计力学]]及广义[[Doob's h-变换]]的深层联系，我们提出一组最小假设条件以确保：(1) 后向生成算子的显式构造，(2) 直接最小化测度传输差异的[[统一变分目标]]，(3) 经典[[分数匹配]]方法在不同动力学中的适应性实现。本框架统一了连续/离散[[扩散模型]]的现有表述，在正向生成算子满足特定[[正则性假设]]下识别出[[去噪马尔可夫模型]]的最一般形式，并为任意[[Lévy过程|Lévy型过程]]驱动的去噪模型设计提供了系统化方案。我们通过采用[[几何布朗运动]]和[[跳跃过程]]作为前向动力学的新型去噪模型，展示了该框架在复杂分布建模中的潜在灵活性与效能。