EvidentialRAG：通过证据深度学习量化和缓解多源检索增强生成中的信息冲突

检索增强生成将 大语言模型 置于外部证据中，但大多数管道仍然将检索到的段落视为确定性且相互一致的上下文。在开放信息环境中，由于时间漂移、来源错误、模糊性或真正的不确定性，检索到的来源可能会不一致。本文介绍了 ERAG，这是一种不确定性感知的 RAG 框架，可在生成之前将检索到的块转换为概率证据。轻量级评估器提取候选声明并将块级支持映射到狄利克雷证据。然后，保留冲突的登普斯特-谢弗融合规则将未解决的分歧转化为认知不确定性，而不是使其正常化。根据融合的不确定性得分，生成器被路由为直接回答、冲突感知回答或弃权。 CRAG、ConflictQA 和 MuSiQue 上的实验表明，ERAG 在标准问答方面保持最强匹配基线的竞争力，同时改善冲突下的行为。在 CRAG 模糊子集上，幻觉从校正 RAG 的 45.3% 减少到人类校准估计的 34.8%，冲突解决率从 35.2% 增加到 51.2%，预期校准误差改善到 0.122。这些结果表明，证据建模是基于基础模型的检索系统中可信信息处理的实用机制。