Retrieval Augmented Generation - 2020年09月
Joint ptycho-tomography with deep generative priors
发布时间：2020-09-20
作者：Selin Aslan, Zhengchun Liu, Viktor Nikitin, Tekin Bicer, Sven Leyffer, Doga Gursoy
中文摘要：
联合ptycho断层扫描是一种强大的计算成像框架，能够在放宽传统相恢复中常见的探针重叠要求的同时，恢复3D物体的折射特性。我们使用增广拉格朗日方法来构建约束优化问题，并采用交替方向乘子法（ADMM）进行联合求解。ADMM允许将问题分解为更小、计算效率更高的子问题：ptychographic相位恢复、断层重建和解决方案的正则化。我们通过用基于机器学习的一般去噪算子替换正则化子问题，将我们的ADMM框架扩展为即插即用（PnP）去噪器。虽然PnP框架能够集成这样的学习先验作为去噪算子，但去噪器先验的调整仍然具有挑战性。为了克服这一挑战，我们提出一个去噪器参数来控制去噪器的影响并加速解决方案。在我们的模拟中，我们展示了我们的参数调整和学习先验的框架在有限和噪声测量数据下生成高质量的重建。
一句话总结：
该研究提出了一种基于ADMM和PnP去噪器的联合ptycho断层扫描框架，通过参数调整和学习先验，在有限和噪声数据下实现了高质量的3D物体折射特性重建。
Generation-Augmented Retrieval for Open-domain Question Answering
发布时间：2020-09-17
作者：Yuning Mao, Pengcheng He, Xiaodong Liu, Yelong Shen, Jianfeng Gao, Jiawei Han, Weizhu Chen
中文摘要：
我们提出了用于回答开放域问题的生成增强检索（GAR）方法，该方法通过无外部资源监督下的启发式发现的相关上下文文本生成来增强查询。我们证明了生成的上下文显著丰富了查询的语义，并且使用稀疏表示（BM25）的GAR在性能上与最先进的密集检索方法（如DPR）相当甚至更好。我们展示了为查询生成多样化的上下文是有益的，因为融合它们的结果可以持续提高检索精度。此外，由于稀疏和密集表示通常是互补的，GAR可以轻松与DPR结合以实现更好的性能。当配备提取式阅读器时，GAR在自然问题和TriviaQA数据集上实现了提取式问答设置下的最先进性能，并且当使用相同的生成式阅读器时，始终优于其他检索方法。
一句话总结：
提出了一种基于生成增强的检索方法（GAR），通过生成相关上下文来增强查询语义，显著提高了开放域问答的检索性能。