MAB-DQA：利用多臂老虎机解决文档问答中查询方面的重要性

文档问答 (DQA) 涉及根据用户的查询从文档生成答案，代表文档理解的关键任务。这项任务需要解释视觉布局，这促使最近的研究采用多模式检索增强生成（RAG）来处理页面图像以生成答案。然而，在多模态 RAG 中，视觉 DQA 很难有效地利用大量图像，因为检索阶段通常只保留少数候选页面（例如 Top-4），导致信息丰富但视觉上不那么显着的内容被忽视，而倾向于常见但信息量低的页面。为了解决这个问题，我们提出了一个基于 Multi-Armed Bandit 的 DQA 框架 (MAB-DQA)，以显式建模查询中多个隐式方面的不同重要性。具体来说，MAB-DQA 将查询分解为方面感知子查询，并为每个子查询检索特定于方面的候选集。它将每个子查询视为一个手臂，并使用少量代表性页面的初步推理结果作为奖励信号来估计方面效用。在探索-利用策略的指导下，MAB-DQA 动态地将检索预算重新分配给高价值方面。通过信息最丰富的页面及其相关性，MAB-DQA 生成预期结果。在四个基准测试中，MAB-DQA 比最先进的方法平均提高了 5%-18%，持续增强了文档理解。代码可在 https://github.com/ElephantOH/MAB-DQA 获取。