인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
In industrial and engineering question answering over manuals, specifications, contracts, and policy documents, generated answers must remain faithful to source text. Although Retrieval-Augmented Generation (RAG) provides relevant context, Large Language Models (LLMs) may still paraphrase, omit, or distort key expressions during decoding, limiting reliability in source-critical settings. Existing decoding-time methods help but often add inference overhead. This study proposes Context-Frequency Decoding (CFD), a training-free, non-invasive, lightweight method that adds a normalized context-token-frequency bias only to the final logits of an instruction-tuned LLM without modifying parameters or internal representations. As a plug-in soft bias, CFD increases the selection probability of frequent context tokens for source-grounded extraction. Experiments on three extractive question answering datasets across two LLMs show that CFD improves context-grounded answer extraction on specialized-document datasets by 9.3-29.6% over standard decoding and outperforms baselines. CFD remains stable across bias strengths and adds less than 1% additional per-token latency, whereas baselines incur substantially higher decoding cost. These results suggest that CFD is practical for extractive question answering systems requiring source-grounded answer extraction.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
