Question Answering

9 items

RESEARCHarXiv CS.CL·vor 1T

Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering

Diese Studie stellt die erste Anwendung eines Retrieval Augmented Generation (RAG)-Modells für die Beantwortung juristischer Fragen in Nepali vor und adressiert die Datenknappheit in ressourcenarmen Sprachen. Durch die Verwendung von BM25 auf segmentierten Dokumenten erreichte die RAG-Pipeline eine hohe Präzision und Wahrheitsgenauigkeit, was ihre Wirksamkeit im nepalesischen Rechtsbereich demonstriert.

Retrieval Augmented Generation Legal AI Question Answering Natural Language Processing

RESEARCHarXiv CS.CL·4/9/2026

Consistency-Guided Decoding with Proof-Driven Disambiguation for Three-Way Logical Question Answering

Este conteúdo apresenta CGD-PD, uma camada leve para modelos de linguagem grandes (LLMs) que melhora a resposta a perguntas lógicas de três vias (Verdadeiro/Falso/Desconhecido). Ele aborda falhas recorrentes como inconsistência de negação e previsões 'Desconhecido' epistêmicas, utilizando decisões consistentes e desambiguação baseada em prova para maior precisão.

LLMs Question Answering consistency NLP

RESEARCHarXiv CS.CL·4/24/2026

GRISP: Guided Recurrent IRI Selection over SPARQL Skeletons

GRISP ist eine neuartige SPARQL-basierte Frage-Antwort-Methode über Wissensgraphen, die ein kleines Sprachmodell (SLM) feinabstimmt. Sie generiert SPARQL-Abfrageskelette aus natürlichsprachigen Fragen und verfeinert diese iterativ durch Auswahl von Wissensgraphen-Elementen, wodurch sie Spitzenleistungen auf Wikidata- und Freebase-Benchmarks erzielt.

language models knowledge graphs SPARQL Question Answering

RESEARCHarXiv CS.AI·vor 5T

Synthetic Contrastive Reasoning for Multi-Table Q&A

Die Studie stellt einen synthetischen Kontrastiv-Reasoning-Trace-Datensatz für Multi-Tabellen-Frage-Antwort-Systeme (MMQA) vor, um die in bestehenden Ressourcen fehlende Reasoning-Supervision zu adressieren. Offene LLMs, die mit Contrastive Preference Optimization (CPO) unter Verwendung dieses Datensatzes feinabgestimmt wurden, zeigten signifikante Leistungsverbesserungen.

Question Answering Machine Learning NLP datasets

RESEARCHarXiv CS.AI·5/7/2026

Temporal Reasoning Is Not the Bottleneck: A Probabilistic Inconsistency Framework for Neuro-Symbolic QA

Diese Forschungsarbeit argumentiert, dass der Engpass im temporalen Denken großer Sprachmodelle nicht in der logischen Deduktion, sondern in der unstrukturierten Text-zu-Ereignis-Darstellung liegt. Sie stellt ein neuro-symbolisches Frage-Antwort-Framework vor, das ein probabilistisches Inkonsistenzsignal (PIS) verwendet, um die semantische Extraktion vom symbolischen Denken zu entkoppeln.

LLMs temporal reasoning Question Answering Neuro-symbolic AI

RESEARCHarXiv CS.AI·4/25/2026

HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering

HypEHR ist ein kompaktes Lorentzsches Modell, das hyperbolische Geometrie für die Beantwortung von Fragen zu elektronischen Gesundheitsakten (EHR) nutzt und Kosten- sowie hierarchische Strukturprobleme LLM-basierter Methoden überwindet. Es wird für die Diagnosevorhersage und die Ausrichtung an medizinischen Ontologien vortrainiert und erreicht eine vergleichbare Leistung wie LLMs mit deutlich weniger Parametern.

Question Answering deep learning healthcare AI EHR

RESEARCHDEV.to AI·5/10/2026

GQA: A New Dataset for Real-World Visual Reasoning and Compositional QuestionAnswering

GQA ist ein neues Dataset, das entwickelt wurde, um KI-Systeme im visuellen Denken und bei der Beantwortung kompositioneller Fragen herauszufordern und zu bewerten. Es zielt darauf ab, das Szenenverständnis und die multimodale Interaktion in realen Szenarien voranzutreiben.

Question Answering visual reasoning computer vision datasets

RESEARCHarXiv CS.CL·4/15/2026

Empirical Evaluation of PDF Parsing and Chunking for Financial Question Answering with RAG

Diese Arbeit thematisiert die Herausforderungen der automatisierten PDF-Verarbeitung für KI, insbesondere bei RAG-Systemen, indem sie eine empirische Studie vorschlägt. Sie evaluiert verschiedene PDF-Parser und Chunking-Strategien für die Fragenbeantwortung im Finanzbereich und führt einen neuen Benchmark namens TableQuest ein.

chunking Financial AI Question Answering Retrieval-Augmented Generation (RAG)

RESEARCHarXiv CS.AI·5/9/2026

Agentic Retrieval-Augmented Generation for Financial Document Question Answering

Dieser Artikel stellt FinAgent-RAG vor, ein agentisches RAG-Framework für die Beantwortung von Fragen zu Finanzdokumenten, das sich auf komplexe numerische Schlussfolgerungen konzentriert. Es orchestriert iterative Abruf- und Schlussfolgerungsschleifen mit Selbstverifikation und integriert einen Contrastive Financial Retriever sowie ein Program-of-Thought-Modul für präzise Arithmetik.

Financial AI numerical reasoning Question Answering RAG