ISO-RAG：检索增强生成中的等周噪声控制

检索增强生成 (RAG) 减轻了大语言模型 (LLM) 的幻觉，但传统的密集检索难以应对多跳问答 (QA) 的复杂推理路径。基于图的 RAG 可以捕获多步关系，但由于全局图遍历的噪声，会出现严重的语义漂移和高在线延迟。因此，我们提出了 ISO-RAG（ISOperimetric Retrieval Retrieval-Augmented Generation），一种几何感知的 RAG 框架。通过将底层知识图投影到双曲庞加莱球中来预先计算节点等周轮廓，ISO-RAG 在检索过程中修剪虚假边缘，将搜索空间限制在严格局部的子图内。这种拓扑净化调节驱动检索过程的个性化 PageRank (PPR) 扩散，确保精确且低延迟的收敛。多跳 QA 基准实验表明，ISO-RAG 的检索召回平均绝对增益为 10.0%，下游精确匹配平均绝对增益为 4.3%，优于最先进的基线，从根本上消除了全局遍历的延迟瓶颈，实现了卓越的准确率与效率的权衡。我们的源代码可在 https://github.com/ZaiizaiZHANG/ISO-RAG 获取。