MIRAGE：并行图检索增强推理链扩展Test-Time推理

论文（MIRAGE: Scaling Test-Time Inference with Parallel Graph-Retrieval-Augmented Reasoning Chains）介绍了一个Test-Time(后面使用“测试时”来翻译)推理框架，将单一线性链替换为多个并行的、基于实体的医学知识图谱链。MIRAGE将查询分解为子问题，在锚点和桥接模式下运行自适应图检索，然后通过跨链验证来协调答案，相比线性ToT或以网络为中心的代理RAG，能获得更高的准确性和更清晰的来源追溯。基于图的检索在处理复杂数据的众多应用中都很有用

图片

新颖之处：在结构化知识图谱上进行并行多链推理，而不仅仅是更长的单链。两种检索模式：锚点（单实体邻域）和桥接（实体对之间的多跳路径）。合成器验证跨链一致性并在输出简洁最终答案前标准化医学术语。

图片

意义 ：线性链会累积早期错误并将证据视为平面文本。基于图的检索保持关系和层次结构，支持精确的多跳医学推理和可追溯路径。

效果： 在三个医学问答基准测试中达到最先进水平。在ExplainCPE上，MIRAGE达到84.8%的准确率和最佳GPT-4o排名；在GenMedGPT-5k和CMCQA上也有类似提升。当替换为DeepSeek-R1-32B作为骨干模型时，鲁棒性依然保持。GenMedGPT-5k上的人类评估也更偏好MIRAGE。

图片

洞察： 更多子问题有帮助，直到过度分解增加噪音为止，而允许更多检索步骤显示出递减但稳定的收益。调整子问题上限和检索预算是关键。

图片

可解释性：每个声明都可以追溯到明确的知识图谱链，具有分解、查询和合成的审计记录。案例研究对比了MIRAGE的解耦链与单链网络搜索方法，朝着连贯诊断的方向解决问题。

本文转载自​​​​​​​​​​AI帝国​​​​​​​​​​，作者：无影寺