王昊 Hao Wang

Beyond Single-View Indexing: Structure-Aware Multi-View Retrieval for Knowledge-Based VQA

• 提出面向知识型视觉问答任务的粗粒度检索框架，使用流型扩散和基于图相似度的去冗余方法，充分利用知识库模态互补信息提高检索精度。
• 证明了单向量检索在多模态场景下的理想上界，实验证明所提出方法可以达到该理想上界的 80%～90%。相较于 SOTA 的单向量粗粒度检索范式，在仅增加 1% 不到的检索时间的同时提升了 10% 以上的召回率。

Momentum-integrated Multi-task Stock Recommendation with Converge-based Optimization

• 针对股票预测中容易受到短期噪声和过拟合影响的问题，提出多任务训练框架，使用动量标签和过拟合感知的梯度分配算法，提升股票预测模型表现。
• 在 A 股以及美股市场上，提出的训练方法可以有效提高 RNN 模型的最终预测表现，同时显著缓解训练中出现的过拟合现象。

Work I — 语义不确定度与幻觉检测系统性研究

• 针对当前大模型幻觉检测研究中的语义不确定度方法，提出系统性研究框架，包含 19 个数据集和 17 种语义不确定度计算方法，使用 13 个大模型进行了生成以及幻觉检测实验。
• 实验发现当前语义不确定度方法在摘要以及翻译等复杂语义任务上仍有局限。探讨黑盒大模型的幻觉检测盲区并构造盲区数据集。通过不确定性量化发现大模型幻觉上的 scaling law 现象，越强的大模型越表现出盲目自信。

Work II — RAG 不确定度测量与上下文改进

• 针对当前 RAG 框架仅依赖于大模型自身判定上下文语义相关性的局限，提出使用扰动数据和基于语义矩阵的 RAG 不确定度测量方法，并基于该方法提出两段式 RAG 上下文改进回答框架。
• 实验证明提出的不确定度测量方法和 RAG 回答准确度强相关，同时提出的改进方法可以明显提高 RAG 上下文质量。

Work III — 金融投资 RAG 框架

• 当前大模型在金融与投资相关问题上呈现出明显的保守态度，投资者无法从这些固有偏见中获得有效投资建议。提出基于知识图谱和分步推理的 RAG 框架，通过时间-语义混合权重采样和将最终建议与大模型隔离的方法提升股票预测任务上的表现。