Question Answering

9 items

RESEARCHarXiv CS.CL·il y a 20h

Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering

Cette étude présente la première application d'un modèle de Génération Augmentée par Récupération (RAG) pour la réponse aux questions juridiques en népalais, abordant la rareté des données dans les langues à faibles ressources. En utilisant BM25 sur des documents segmentés, le pipeline RAG a atteint une grande précision et véracité, démontrant son efficacité dans le domaine juridique népalais.

Retrieval Augmented Generation Legal AI Question Answering natural language processing

RESEARCHarXiv CS.CL·09/04/2026

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·24/04/2026

GRISP: Guided Recurrent IRI Selection over SPARQL Skeletons

GRISP est une nouvelle méthode de réponse aux questions basée sur SPARQL sur les graphes de connaissances, utilisant un petit modèle de langage (SLM) affiné. Elle génère des squelettes de requêtes SPARQL à partir de questions en langage naturel et les affine en sélectionnant des éléments du graphe, obtenant des résultats de pointe sur les benchmarks Wikidata et Freebase.

language models Knowledge Graphs SPARQL Question Answering

RESEARCHarXiv CS.AI·il y a 4j

Synthetic Contrastive Reasoning for Multi-Table Q&A

Cet article présente un ensemble de données synthétique de traces de raisonnement contrastif pour la question-réponse multi-tables (MMQA), visant à fournir une supervision de raisonnement absente des ressources existantes. Des LLM open-source, affinés avec l'Optimisation de Préférence Contrastive (CPO) à l'aide de cet ensemble de données, ont montré des améliorations significatives de performance.

Question Answering machine learning NLP datasets

RESEARCHarXiv CS.AI·07/05/2026

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

Cet article de recherche affirme que le goulot d'étranglement du raisonnement temporel des grands modèles linguistiques n'est pas la déduction logique, mais plutôt la représentation non structurée texte-événement. Il introduit un cadre neuro-symbolique de questions-réponses utilisant un signal d'incohérence probabiliste (PIS) pour découpler l'extraction sémantique du raisonnement symbolique.

LLMs temporal reasoning Question Answering Neuro-symbolic AI

RESEARCHarXiv CS.AI·25/04/2026

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

HypEHR est un modèle lorentzien compact qui utilise la géométrie hyperbolique pour la réponse aux questions sur les dossiers de santé électroniques (DSE), abordant les défis de coût et de structure hiérarchique des méthodes basées sur les LLM. Pré-entraîné pour la prédiction de diagnostic et l'alignement avec les ontologies médicales, il approche les performances des LLM avec beaucoup moins de paramètres.

Question Answering deep learning healthcare AI EHR

RESEARCHDEV.to AI·10/05/2026

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

GQA est un nouveau jeu de données conçu pour défier et évaluer les systèmes d'IA en matière de raisonnement visuel et de réponse à des questions compositionnelles. Il vise à faire progresser la compréhension des scènes et l'interaction multimodale dans des scénarios réels.

Question Answering visual reasoning computer vision datasets

RESEARCHarXiv CS.CL·15/04/2026

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

Cet article aborde les défis du traitement automatisé des PDF pour l'IA, notamment avec les systèmes RAG, en proposant une étude empirique. Il évalue divers analyseurs PDF et stratégies de segmentation pour la réponse aux questions dans le domaine financier, introduisant un nouveau benchmark nommé TableQuest.

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

RESEARCHarXiv CS.AI·09/05/2026

Agentic Retrieval-Augmented Generation for Financial Document Question Answering

Cet article présente FinAgent-RAG, un cadre RAG agentique pour la réponse aux questions dans les documents financiers, axé sur le raisonnement numérique complexe. Il orchestre des boucles itératives de récupération et de raisonnement avec auto-vérification, intégrant un Contrastive Financial Retriever et un module Program-of-Thought pour une arithmétique précise.

Financial AI numerical reasoning Question Answering RAG