Buchumschlag

LLMs Know What They Need: Leveraging a Missing Information Guided Framework to Empower Retrieval-Augmented Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Keheng, Duan, Feiyu, Li, Peiguang, Wang, Sirui, Cai, Xunliang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhancing LLMs via High-Knowledge Data Selection
von: Duan, Feiyu, et al.
Veröffentlicht: (2025)

InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models
von: Lei, Shanglin, et al.
Veröffentlicht: (2023)

FRAME: Boosting LLMs with A Four-Quadrant Multi-Stage Pretraining Strategy
von: Zhang, Xuemiao, et al.
Veröffentlicht: (2025)

Preference Curriculum: LLMs Should Always Be Pretrained on Their Preferred Data
von: Zhang, Xuemiao, et al.
Veröffentlicht: (2025)

FIRE: Flexible Integration of Data Quality Ratings for Effective Pre-Training
von: Xu, Liangyu, et al.
Veröffentlicht: (2025)

Why Not Act on What You Know? Unleashing Safety Potential of LLMs via Self-Aware Guard Enhancement
von: Ding, Peng, et al.
Veröffentlicht: (2025)

Not All Contexts Are Equal: Teaching LLMs Credibility-aware Generation
von: Pan, Ruotong, et al.
Veröffentlicht: (2024)

Knowing What's Missing: Assessing Information Sufficiency in Question Answering
von: Jain, Akriti, et al.
Veröffentlicht: (2025)

AgenticOCR: Parsing Only What You Need for Efficient Retrieval-Augmented Generation
von: Wang, Zhengren, et al.
Veröffentlicht: (2026)

ICA-RAG: Information Completeness Guided Adaptive Retrieval-Augmented Generation for Disease Diagnosis
von: He, Jiawei, et al.
Veröffentlicht: (2025)

Ground Every Sentence: Improving Retrieval-Augmented LLMs with Interleaved Reference-Claim Generation
von: Xia, Sirui, et al.
Veröffentlicht: (2024)

When Do LLMs Need Retrieval Augmentation? Mitigating LLMs' Overconfidence Helps Retrieval Augmentation
von: Ni, Shiyu, et al.
Veröffentlicht: (2024)

Feature-Aware Malicious Output Detection and Mitigation
von: Dong, Weilong, et al.
Veröffentlicht: (2025)

MoM: Mixtures of Scenario-Aware Document Memories for Retrieval-Augmented Generation Systems
von: Zhao, Jihao, et al.
Veröffentlicht: (2025)

Understand What LLM Needs: Dual Preference Alignment for Retrieval-Augmented Generation
von: Dong, Guanting, et al.
Veröffentlicht: (2024)

CompressKV: Semantic Retrieval Heads Know What Tokens are Not Important Before Generation
von: Lin, Xiaolin, et al.
Veröffentlicht: (2025)

Do Retrieval Augmented Language Models Know When They Don't Know?
von: Zhou, Youchao, et al.
Veröffentlicht: (2025)

Know Your Needs Better: Towards Structured Understanding of Marketer Demands with Analogical Reasoning Augmented LLMs
von: Wang, Junjie, et al.
Veröffentlicht: (2024)

MoC: Mixtures of Text Chunking Learners for Retrieval-Augmented Generation System
von: Zhao, Jihao, et al.
Veröffentlicht: (2025)

Latent Distribution Decoupling: A Probabilistic Framework for Uncertainty-Aware Multimodal Emotion Recognition
von: Huang, Jingwang, et al.
Veröffentlicht: (2025)

RARE: Retrieval-Augmented Reasoning Modeling
von: Wang, Zhengren, et al.
Veröffentlicht: (2025)

HALO: Hallucination Analysis and Learning Optimization to Empower LLMs with Retrieval-Augmented Context for Guided Clinical Decision Making
von: Anjum, Sumera, et al.
Veröffentlicht: (2024)

Do You Know What You Are Talking About? Characterizing Query-Knowledge Relevance For Reliable Retrieval Augmented Generation
von: Li, Zhuohang, et al.
Veröffentlicht: (2024)

HopRAG: Multi-Hop Reasoning for Logic-Aware Retrieval-Augmented Generation
von: Liu, Hao, et al.
Veröffentlicht: (2025)

Rectify Evaluation Preference: Improving LLMs' Critique on Math Reasoning via Perplexity-aware Reinforcement Learning
von: Tian, Changyuan, et al.
Veröffentlicht: (2025)

Text Knows What, Tables Know When: Clinical Timeline Reconstruction via Retrieval-Augmented Multimodal Alignment
von: Kumar, Sayantan, et al.
Veröffentlicht: (2026)

KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing
von: Li, Rui, et al.
Veröffentlicht: (2025)

"Knowing When You Don't Know": A Multilingual Relevance Assessment Dataset for Robust Retrieval-Augmented Generation
von: Thakur, Nandan, et al.
Veröffentlicht: (2023)

Reinforced Informativeness Optimization for Long-Form Retrieval-Augmented Generation
von: Wang, Yuhao, et al.
Veröffentlicht: (2025)

LLMs Know What to Drop: Self-Attention Guided KV Cache Eviction for Efficient Long-Context Inference
von: Wang, Guangtao, et al.
Veröffentlicht: (2025)

Knowledge Graph-Guided Retrieval Augmented Generation
von: Zhu, Xiangrong, et al.
Veröffentlicht: (2025)

KnowRA: Knowledge Retrieval Augmented Method for Document-level Relation Extraction with Comprehensive Reasoning Abilities
von: Mai, Chengcheng, et al.
Veröffentlicht: (2024)

CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models
von: Lyu, Yuanjie, et al.
Veröffentlicht: (2024)

Evaluating Quality of Answers for Retrieval-Augmented Generation: A Strong LLM Is All You Need
von: Wang, Yang, et al.
Veröffentlicht: (2024)

LANG: Reinforcement Learning for Multilingual Reasoning with Language-Adaptive Hint Guidance
von: Fan, Yuchun, et al.
Veröffentlicht: (2026)

Knowing What LLMs DO NOT Know: A Simple Yet Effective Self-Detection Method
von: Zhao, Yukun, et al.
Veröffentlicht: (2023)

Rethinking the Understanding Ability across LLMs through Mutual Information
von: Wang, Shaojie, et al.
Veröffentlicht: (2025)

Do LLMs Know What Is Private Internally? Probing and Steering Contextual Privacy Norms in Large Language Model Representations
von: Wang, Haoran, et al.
Veröffentlicht: (2026)

Align-GRAG: Anchor and Rationale Guided Dual Alignment for Graph Retrieval-Augmented Generation
von: Xu, Derong, et al.
Veröffentlicht: (2025)

Do We Know What LLMs Don't Know? A Study of Consistency in Knowledge Probing
von: Zhao, Raoyuan, et al.
Veröffentlicht: (2025)