MedJudgeRAG：用于医学 MCQA 的动态知识图的选项证据判断

在医学多项选择题回答（MCQA）中，检索增强生成（RAG）可以补充语言模型（LM）的领域知识。然而，由于普通 RAG 不加区别地利用检索到的文档，因此可能会降低 LM 性能。为了解决这个问题，我们提出了 MedJudgeRAG。我们的框架将检索到的文档表示为由实体和关系组成的动态知识图（KG）。对于每个选项，模型都会根据检索到的文档和 KG 来判断证据判决。根据判决组合，模型确定知识利用策略来推理最终答案。这些功能是通过监督 微调 使用教师 LM 生成的结构化推理轨迹进行训练的。训练采用加权交叉熵损失，对知识图谱和推理部分进行不同的加权。对两个医学 MCQA 基准的实验表明，MedJudgeRAG 始终优于普通 RAG 和参数基线。此外，消融分析表明，动态知识图谱作为训练时的图条件监督比作为推理时的显式输出更有效。我们的代码可在 https://github.com/hyu-amllab/medjudgerag 获取，生成的推理轨迹在 https://huggingface.co/datasets/youarethewon/medjudgerag 发布。