【课题推荐发表期刊】

【课题背景】

Retrieval-Augmented Generation (RAG)作为大语言模型在线训练和优化的核心算法，能够在收到和反馈用户提问的同时检索外接的大型数据库，以便更新已有的知识结构，从而更准确和有效的回答用户提问。然而，现有的 RAG 算法只是一个通用的实现，存在无法准确理解提问关键信息导致搜索准确性不高，搜索算法无法高效运行，没有考虑多模态数据的差异等问题。

本课题将基于RAG大语言模型，探索解决搜索准确性不高等关键问题，旨在改善大语言模型准确获取数据的能力，从而提高生产力。

*本项目能够提供 GPU 计算资源。

【课题方向参考】

• RAG 算法核心模块性能优化（使用 CUDA，OpenMP，MPI 等并行编程模型）

• RAG 算法优化：提升搜索算法速率；参考 GraphRAG；提出 HyergraphRAG；或在 GraphRAG 基础上引入排序，最短路径等算法

• RAG模型可视化研究（收集模型参数，使用javascript对收集的参数可视化）

【适合人群】

熟悉一门编程语言。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Luc，美国Top100高校计算机博士，美国重点实验室计算机科学家

• 累计发表论文28篇，其中SCI 1区2篇 (包括IEEE Transactions on Visualization and Computer Graphics); SCI 2区1篇(Journal of Parallel and Distributed Computing); CCF-A论文7篇 (PPOPP; SC等)，CCF-B论文12篇 (IPDPS, CLUSTER等)

• 长期担任IEEE Transactions on Parallel and Distributed Systems (TPDS)、并行与分布式计算杂志、IEEE人工智能汇刊、实时图像处理学报、多媒体信息系统学报等高水平期刊审稿人；IEEE会员、ACM会员、SIAM会员、SIGHPC会员；美国能源部/国家科学基金会审查委员会委员

• 过去 5 年辅导过 30 多名国内外本科，硕士，博士生，从普通二本四级没过的学生，转专业的学生，到世界名校比如华盛顿大学，加州大学的博士生。其中二本转专业学生去年发表CCF-A 会议，现赴日本名校全奖读博。善于鼓励学生从基础学起，不骄不躁的稳步前进。鼓励学生之间相互学习

• 可提供课题基金申报指导、保研指导、申博指导、海外高校申请指导；可提供开源代码并指导复现；可提供一定的算力资源；可撰写推荐信；大厂实习机会推荐、全英文面试培训

【课题安排】

研究周期预估12个月左右，具体视学员情况调整。

【推荐阅读】

• MINIRAG: TOWARDS EXTREMELY SIMPLE RETRIEVAL-AUGMENTED GENERATION

• The GraphRAG Manifesto: Adding Knowledge to GenAIhttps://neo4j.com/blog/graphrag-manifesto/

• LIGHTRAG: SIMPLE AND FAST RETRIEVAL-AUGMENTED GENERATION

• 小模型也能玩转RAG，性能仅降1%，存储省75%，边缘设备轻松跑

• 终于等到你！港大首发「轻量级RAG神器」MiniRAG，1.5B手机端可用https://www.163.com/dy/article/JM1HID4G0511ABV6.html