CausalRAG: Integrating Causal Graphs into Retrieval-Augmented Generation
Department of Computer and Data Sciences, Case Western Reserve University(计算机与数据科学系,凯斯西储大学);Department of Design and Innovation, Case Western Reserve University(设计与创新系,凯斯西储大学)
针对传统RAG存在的上下文完整性受损、过度依赖语义相似度的问题,提出融入因果图的CausalRAG框架,通过因果关系保留上下文连续性、提升检索精度,在多项指标上优于常规及基于图的RAG方法。
2025-10-21 cs.CL cs.IR
Evaluating Modern RAG: Textual, Multimodal, Dense, and Late Interaction Pipelines
\" O zye g in University, Istanbul, T\" u rkiye
该研究针对传统RAG在含视觉元素文档上的局限,提出数据驱动的RAG管道选择方法,评估了文本、多模态等现代RAG管道的性能与效率权衡,为实际应用提供指导。
2026-08-25 cs.IR
MC-RAG System: A Structure-Driven RAG System for Multi-Constraint Queries
College of Information and Electrical Engineering, China Agricultural University(中国农业大学信息电气工程学院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Key Laboratory of Agricultural Informatization Standardization, Ministry of Agriculture and Rural Affairs(农业农村部农业信息化标准化重点实验室)
针对RAG系统难以满足复杂多约束查询的问题,提出MC-RAG系统,将检索转化为知识图上的子图匹配问题,通过整合语义、结构嵌入与路径级索引,实现可解释、结构感知和约束一致的检索与生成,并提供交互式演示。
2026-07-14 cs.IR
REAL-MM-RAG: A Real-World Multi-Modal Retrieval Benchmark
IBM Research Israel(IBM研究院以色列分部);Weizmann Institute of Science(魏茨曼科学研究所)
本文提出真实世界多模态检索基准 REAL-MM-RAG,并通过查询改写评估语义能力,结合金融表格密集数据集微调实现最先进性能。
2025-02-17 cs.CV cs.IR
Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding
针对传统文本分块在复杂文档结构上的不足,提出利用大型多模态模型进行视觉引导的文档分块方法,通过跨批次上下文保留准确处理多页表格等元素,显著提升了分块质量与下游RAG性能。
2025-07-13 cs.AI cs.IR cs.LG
Modality Relevance is not Modality Utility: Post-hoc Selective Modality Escalation for Cost-Aware Multimodal RAG
Hangzhou International Innovation Institute, Beihang University(杭州国际创新研究院,北京航空航天大学)
研究多模态检索增强生成中模态选择决策点问题,提出事后选择性模态升级方法,先低成本从文本和表格回答,再按需支付VLM证据费用,校准路由器决定是否升级,在MultiModalQA上减少视觉调用并缩小与神谕升级率差距,扩展了路由信号层次结构。
2026-07-08 cs.AI cs.IR
TableRAG: A Retrieval Augmented Generation Framework for Heterogeneous Document Reasoning
Huawei Cloud BU(华为云业务部)
针对含文本与表格的异构文档问答,本文提出基于 SQL 的 TableRAG 框架,通过查询分解、文本检索、SQL 执行与答案组合进行多跳推理,并发布 HeteQA 基准,取得新的最优性能。
2025-09-30 cs.CL cs.IR
HtmlRAG: HTML is Better Than Plain Text for Modeling Retrieved Knowledge in RAG Systems
本文提出HtmlRAG,用HTML替代纯文本作为RAG系统中检索知识的格式,并通过HTML清洗、压缩和基于块树的两步剪枝策略减少token开销和噪声,在六个问答数据集上验证了其优越性。
2025-02-07 cs.IR
WeKnow-RAG: An Adaptive Approach for Retrieval-Augmented Generation Integrating Web Search and Knowledge Graphs
Ping An Bank Co., Ltd.(平安银行股份有限公司);Tsinghua University(清华大学);Central South University(中南大学);Shanghai Yiwo Information Technology Co., Ltd.(上海易沃信息技术有限公司);Kwangwoon University(光云大学)
提出WeKnow-RAG方法,将Web搜索与知识图谱集成到RAG系统中,结合稀疏与稠密检索及自我评估机制,有效提升了LLM响应的准确性和可靠性。
2024-08-28 cs.CL cs.IR
Careful Queries, Credible Results: Teaching RAG Models Advanced Web Search Tools with Reinforcement Learning
Tsinghua University(清华大学);The University of Hong Kong(香港大学);Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学)
本文提出WebFilter框架,通过结合检索过滤机制和基于行为与结果的奖励策略,提升RAG模型的查询质量和检索精度,实验表明其在领域内和领域外基准测试中表现更优。
2026-03-22 cs.IR
LotusFilter: Fast Diverse Nearest Neighbor Search via a Learned Cutoff Table
The University of Tokyo(东京大学)
本文提出后处理模块 LotusFilter,利用预计算的学习型截断表贪婪删除 ANNS 候选中的冗余向量,在类 RAG 场景下以 0.02 ms/query 实现快速多样化检索。
2025-06-05 cs.CV cs.IR cs.LG
NGM-RAG: Neural Graph Matching based Retrieval-Augmented Generation
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);Beijing Institute of Control Engineering(北京控制工程研究所)
研究针对传统RAG方法在处理复杂问题时的局限,提出基于神经图匹配的检索增强生成框架NGM-RAG,将图构建、匹配与答案生成统一,结合文本匹配和GNN,采用自适应加权策略,实验证明该模型在多跳问答等任务中性能优越。
2026-07-14 cs.IR
FICO: Find-Then-Compute for Corpus-Level Spreadsheet Question Answering
Carnegie Mellon University(卡内基梅隆大学);Atlassian(阿特lassian)
针对电子表格集合问答,提出先查找后计算(FiCo)方法,结合文档检索、工作簿消歧与SQL执行,在DataBench和MiMoTable上显著优于基线,并揭示源选择成本。
2026-10-06 cs.IR
Hierarchical Reranking for Scalable Financial RAG System
Financial Security Institute(金融安全研究院);Hanyang University(汉阳大学)
该研究针对现有RAG系统处理金融文档时的结构与规模难题,提出含三项创新的分层重排序器框架,在多金融基准测试中表现优异,获ACM-ICAIF '24金融RAG挑战赛第二名,可提升金融推理的准确性与可扩展性。
2026-07-31 cs.AI cs.IR
Roles of MLLMs in Visually Rich Document Retrieval for RAG: A Survey
Beihang University(北航大学)
本文综述了多模态大语言模型在视觉丰富文档检索中的应用,探讨了三种关键角色及其在RAG中的作用与权衡。
2025-12-16 cs.CL cs.IR
Agentic Hybrid RAG for Evidence-Grounded Muon Collider Analysis
Peking University(北京大学)
提出智能混合RAG框架,结合稀疏与稠密检索及智能推理,用于缪子对撞机研究的证据检索与答案生成,构建首个基准并验证其有效性。
2026-09-29 cs.AI cs.CL cs.IR
UltraRAG: A Modular and Automated Toolkit for Adaptive Retrieval-Augmented Generation
UltraRAG是一个模块化、自动化的RAG工具包,通过覆盖数据构建、训练到评估的全流程知识自适应和用户友好的WebUI,使研究人员无需编码即可构建和优化多模态RAG系统。
2025-03-31 cs.IR
Invar-RAG: Invariant LLM-aligned Retrieval for Better Generation
提出Invar-RAG两阶段微调架构,通过集成LoRA表示学习、不变性损失及精细微调方法,解决LLM应用于RAG时的特征局部性和方差问题,在三个ODQA数据集上显著优于基线。
2024-11-16 cs.IR
GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation
Monash University(墨尔本大学);Nanjing University of Science and Technology(南京理工大学);Shanghai Jiao Tong University(上海交通大学);Griffith University(格里菲斯大学)
GFM-RAG是一种基于图的检索增强生成模型,通过创新的图神经网络捕捉复杂查询-知识关系,实现了在未见数据集上的高效性能和泛化能力。
2025-12-11 cs.AI cs.CL cs.IR
RAG-based Question Answering over Heterogeneous Data and Text
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Saarland Informatics Campus(萨尔兰信息学园区)
针对异构数据源问答需求,提出统一处理多源数据的QUASAR系统,采用RAG架构搭配问题理解、证据重排过滤组件,以中等规模模型实现媲美大型GPT模型的问答效果,且计算成本与能耗大幅降低。
2024-12-10 cs.CL cs.IR
Pneuma: Leveraging LLMs for Tabular Data Representation and Retrieval in an End-to-End System
本文提出Pneuma,一个利用大语言模型进行表格表示与检索的RAG系统,通过保留模式与行级信息并结合全文与向量搜索,在六个真实数据集上验证其优于现有表格搜索系统的准确性与资源效率。
2025-04-12 cs.DB cs.IR
Ontology-Based Knowledge Graph Framework for Industrial Standard Documents via Hierarchical and Propositional Structuring
本文提出一种基于本体的知识图谱框架,通过层次化和命题化结构构建工业标准文档,提升问答性能和领域知识表示能力。
2025-12-22 cs.CL cs.IR
MHier-RAG: Multi-Modal RAG for Visual-Rich Document Question-Answering via Hierarchical and Multi-Granularity Reasoning
State Key Laboratory for Novel Software Technology, School of Computer Science, Nanjing University(南京大学计算机科学与技术系软件新技术国家重点实验室);School of Computer Science and Electronic Informatics, Nanjing Normal University(南京师范大学计算机科学与电子信息工程学院)
针对富视觉多页文档问答中现有方法的幻觉、模态脱节与跨页碎片化问题,提出融合分层索引与多粒度语义检索的MHier-RAG多模态RAG模型,在公开数据集上表现更优。
2025-10-02 cs.IR cs.MM
From Evidence to Judgment: Trace-Augmented Reasoning under Conflicting Evidence
Birla Institute of Technology and Science, Pilani(皮拉尼博拉理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种增强RAG框架,通过结构化推理和冲突分析提升模型在冲突信息下的回答准确性与可解释性。
2026-11-17 cs.AI cs.CL cs.CY
MES-RAG: Bringing Multi-modal, Entity-Storage, and Secure Enhancements to RAG
USTC(中国科学技术大学);Hefei ZhikeShuzi(合肥智科数字);Eliza Labs(伊莉莎实验室);HUST(华中科技大学)
针对 RAG 难以精确检索实体信息的问题,本文提出 MES-RAG,通过实体存储、主动安全防护和实时多模态输出提升问答的准确性、召回率与安全性。
2025-03-17 cs.AI cs.CL cs.IR
Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems
The AI Alliance(AI联盟);IBM Research(IBM研究院)
本文综述了RAG系统架构和信任框架,提出统一分类学和评估框架,为构建安全且领域适应性强的RAG系统提供指导。
2025-11-07 cs.AI cs.IR
Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques
National University of Tierra del Fuego(泰德菲国立大学)
本文提出一种整合传统NLP技术的混合方法,通过主题增强嵌入提升检索增强生成系统的检索精度和语义聚类效果。
2025-12-31 cs.AI cs.IR
Multimodal RAG for Unstructured Data:Leveraging Modality-Aware Knowledge Graphs with Hybrid Retrieval
National Institute of Technology Karnataka, Surathkal, India(印度卡纳塔克国家理工学院)
本文提出模态感知混合检索架构MAHA,结合稠密向量检索与知识图谱遍历,实现对非结构化多模态文档的有效检索,在基准上显著优于基线,ROUGE-L达0.486。
2025-10-16 cs.IR cs.LG
Addressing Corpus Knowledge Poisoning Attacks on RAG Using Sparse Attention
Faculty of Data and Decision Sciences, Technion - Israel Institute of Technology, Haifa, Israel(数据与决策科学学院,技术Ion-以色列理工学院,海法,以色列)
本文提出SDAG方法,通过稀疏注意力机制有效防御RAG中的语料知识污染攻击,显著提升防御性能。
2026-08-27 cs.AI cs.IR
SRAG: Structured Retrieval-Augmented Generation for Multi-Entity Question Answering over Wikipedia Graph
HKUST(GZ)(香港科技大学(广州));DSA(数据科学与分析学域)
本文提出结构化检索增强生成框架SRAG,通过将提取的实体组织成关系表并应用基于表的推理技术,解耦检索与推理,显著提升了LLM在多实体问答任务上的表现。
2025-03-06 cs.CL cs.IR
Causal-Counterfactual RAG: The Integration of Causal-Counterfactual Reasoning into RAG
Indian Institute of Technology Bombay(印度理工学院班加罗尔分校);Indian Institute of Technology Patna(印度理工学院帕纳姆分校)
针对传统RAG上下文完整性受损、回答准确性不足的问题,本文提出将因果图与反事实推理融入检索过程的Causal-Counterfactual RAG框架,可提升回答的稳健性、准确性与可解释性。
2026-09-04 cs.CL cs.IR
ARAGOG: Advanced RAG Output Grading
Predli(普雷德利);UC Berkeley(加州大学伯克利分校)
本研究通过实验对比多种RAG方法,发现HyDE、LLM重排序和句子窗口检索能显著提升检索精度,而MMR、Cohere rerank及多查询方法优势有限,并公开了ARAGOG资源库。
2024-04-01 cs.CL cs.IR
RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees
IBM(国际商业机器公司);IIT Kharagpur(克勒格布尔印度理工学院)
RIT-RAG结合内容检索与结构导航,通过构建检索诱导树解决智能体RAG的文档结构缺失问题,在多领域基准测试中准确率优于多种基线,在EntQABench上提升显著。
2026-10-19 cs.AI cs.IR
TTQA-RS- A break-down prompting approach for Multi-hop Table-Text Question Answering with Reasoning and Summarization
University of Florida(佛罗里达大学)
本文提出TTQA-RS模型,通过分解提示、检索增强生成和表格-文本摘要,结合推理与子问题答案,在多跳表格-文本问答任务上以开源LLM取得最优性能。
2024-09-30 cs.CL cs.IR
Pseudo-Knowledge Graph: Meta-Path Guided Retrieval and In-Graph Text for RAG-Equipped LLM
Peking University(北京大学)
本文提出PKG框架,通过集成Meta-path Retrieval、In-graph Text和Vector Retrieval到LLMs中,解决了RAG在高容量低密度数据库中检索碎片化和缺乏关系感知的问题,提升了检索准确性与知识表示。
2025-03-01 cs.AI cs.IR
Knowledge in Triples for LLMs: Enhancing Table QA Accuracy with Semantic Extraction
针对传统方法难以处理半结构化表格语义的问题,提出从表格提取三元组结合RAG增强微调GPT-3.5-turbo-0125的方法,在FeTaQA数据集上多项指标优于基线,提升表格问答效果。
2024-10-29 cs.CL cs.IR
Balancing Content Size in RAG-Text2SQL System
针对RAG+Text2SQL系统易受检索文档大小与质量影响、存在性能权衡的问题,本研究明确了性能下降的关键阈值,提出缓解策略并强调文档呈现的重要性,为提升系统鲁棒性提供实用参考。
2025-03-23 cs.AI cs.DB cs.IR
Introducing Super RAGs in Mistral 8x7B-v1
Amity University Uttar Pradesh(北方邦阿米蒂大学);Amity Institute of Information Technology(阿米蒂信息技术学院);Guru Gobind Singh Indraprastha University(古鲁·戈宾德·辛格·因德拉普拉斯塔大学);Maharaja Agrasen Institute of Technology(马哈拉贾·阿格拉森技术学院)
本研究将Super RAGs集成至Mistral 8x7B v1大模型,采用微调指令模型设置与缓存调优分支系统,经多轮评估验证,在准确率、速度与用户满意度上均有显著提升,为相关应用提供了实证支持。
2024-04-13 cs.CL cs.IR cs.LG
A Hybrid RAG System with Comprehensive Enhancement on Complex Reasoning
Peking University(北京大学)
本文提出一个混合RAG系统,通过优化文本块与表格、属性预测器、知识提取器和知识图谱提取器及推理策略,在CRAG竞赛中显著提升复杂推理准确率并降低错误率。
2024-09-02 cs.CL cs.IR
Reasoning RAG via System 1 or System 2: A Survey on Reasoning Agentic Retrieval-Augmented Generation for Industry Challenges
Beijing University of Posts and Telecommunications(北京邮电大学);University of Georgia(佐治亚大学);South China University of Technology(华南理工大学);Technical University of Munich, University of Cologne(慕尼黑技术大学、科隆大学);SenseTime Research(商汤科技研究院);Qingyuan Research Institute, Shanghai Jiaotong University(青原研究院,上海交通大学)
本文针对传统RAG在复杂真实场景的不足,综述推理智能体RAG技术,将其分为预定义推理与智能体推理两类,分析相关技术并提出未来研究方向。
2025-06-12 cs.AI cs.IR
Table understanding in structured documents
Charles University(查理大学);Rossum
摘要-表检测和提取已经研究了在文件的上下文中,如报告,其中表的轮廓清晰,并从文档结构中脱颖而出的视觉。我们在一个更具挑战性的领域研究这个主题,这个领域是布局繁重的商业文档,特别是发票。这些表格通常没有轮廓(无论是以边框的形式还是围绕文本流的形式),列参差不齐,数据内容差异很大。我们还将表明,我们可以使用一个模型从结构不同的表或表状结构中提取特定信息。我们提出了一个全面的表示一个页面,使用图在词框,位置嵌入,可训练的文本特征和改写的表检测作为一个文本框标签的问题。我们将使用这种表示方法处理新呈现的形式发票、发票和借记票据文档数据集,并提出多个基线来解决这个标签问题。然后,我们提出了一种新的神经网络模型,实现了强大的,实际的结果对所提出的数据集,并详细分析了模型的性能和影响的图卷积和自我注意。
2019-07-09 cs.IR cs.LG
TableRAG: Million-Token Table Understanding with Language Models
National Taiwan University(台湾大学);Google Cloud AI Research(谷歌云AI研究院);Google DeepMind(谷歌DeepMind);UC San Diego(加州大学圣迭戈分校)
TableRAG通过查询扩展结合模式与单元格检索,解决语言模型处理超大表格时的上下文限制问题,并在百万级令牌基准上取得最优表格理解性能。
2024-12-26 cs.AI cs.CL cs.IR
Adaptive Retrieval-Augmented Generation for Conversational Systems
University of Sheffield(谢菲尔德大学);University of Liverpool(利物浦大学);University of Aberdeen(阿伯丁大学);University College London(伦敦大学学院)
本文提出RAGate门控模型,通过建模对话上下文自适应判断每轮回复是否需要检索增强生成,实验证明其能提升回复质量与生成置信度。
2024-07-31 cs.CL cs.IR
Your RAG is Unfair: Exposing Fairness Vulnerabilities in Retrieval-Augmented Generation via Backdoor Attacks
Clemson University(克莱姆森大学);University of Arizona(亚利桑那大学)
本文提出BiasRAG框架,通过两阶段后门攻击(预训练阶段攻破查询编码器、部署后注入对抗文档)揭示RAG系统在公平性上的漏洞,实现高攻击成功率且保持隐蔽性和实用性。
2025-09-26 cs.CR cs.IR
Provenance Analysis of Archaeological Artifacts via Multimodal RAG Systems
Museus;University of Science and Technology of China(中国科学技术大学);British Museum(大英博物馆)
本文提出一个基于多模态RAG的考古文物provenance分析系统,整合检索与VLM生成结构化推断,经专家评估能有效支持专家推理并减轻认知负担。
2025-09-25 cs.AI cs.CV cs.IR
VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge
Huawei Technologies(华为技术有限公司)
针对现有RAG方法在企业知识问答中存在的局限,提出整合向量、目录、图与反思的VDGR-RAG智能体GraphRAG系统,经实验其在召回率和准确率上均优于多种RAG基线。
2026-08-19 cs.AI cs.IR
DSRAG: A Domain-Specific Retrieval Framework Based on Document-derived Multimodal Knowledge Graph
School of Software, Henan University, Kaifeng 475004, China(河南大学软件学院);BNRist, DCST, RIIT, Tsinghua University, Beijing 100084, China(清华大学)
针对通用LLM在领域问答中的知识幻觉和适应性不足,提出DSRAG框架,通过构建多模态知识图谱并结合语义剪枝与子图检索机制,显著提升了领域特定问答的准确性和可靠性。
2025-08-22 cs.AI cs.CL cs.CV
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone(马泽隆)
研究针对视觉丰富的长文档问答的多模态检索增强生成,提出VLD-RAG框架,构建多模态索引并采用混合检索策略,经智能体工作流程协调,在相关基准上提升了证据页面检索及问答表现,凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
The Power of Noise: Redefining Retrieval for RAG Systems
Sapienza University of Rome(罗马第一大学);Technology Innovation Institute(技术创新研究院);University of Pisa(比萨大学)
本文首次系统考察RAG系统的检索策略,发现与查询不直接相关的最高分文档会损害大语言模型效果,而在提示中加入随机文档反而可将准确率提升高达35%,揭示了重新定义检索策略的必要性。
2024-05-01 cs.CL cs.IR
TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London(帝国理工学院)
TabRAG通过结构化表示改进表格文档问答,采用布局分割和视觉语言模型解析,提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
Schemaless Queries over Document Tables with Dependencies
IBM Research(IBM研究院);Google, Inc.(谷歌公司)
非结构化的企业数据,如报告、手册和指南,通常包含表格。从这些表中集成数据的传统方法是通过两步过程:表检测/提取和将表布局映射到适当的模式。这可能是一个昂贵的过程。在本文中,我们表明,通过使用语义技术(RDF/SPARQL和数据库依赖)配对一个简单但强大的方式来转换表与非关系布局,它可以提供查询应答服务,这些表与最少的手工工作或特定于域的映射。我们的方法使用户能够利用嵌入在文档中的表中的数据,很少的努力,不仅对于简单的检索查询,而且对于结构化查询,需要加入多个相互关联的表。
2019-11-21 cs.AI cs.DB cs.IR
MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA
University of Science and Technology of China(中国科学技术大学)
提出MAGE-RAG框架,通过离线构建包含页面和元素节点的证据图,在线自适应构建证据子图,平衡证据覆盖与噪声控制,在长文档多模态问答中取得最优性能。
2026-06-16 cs.AI cs.CL cs.DB
Beyond Quacking: Deep Integration of Language Models and RAG into DuckDB
Polytechnique Montréal(蒙特利尔理工学院);University of Waterloo(滑铁卢大学)
本文提出FlockMTL,通过整合语言模型和RAG技术,简化了知识密集型分析应用的开发,采用模型驱动的函数和SQL抽象优化实现效率。
2026-09-15 cs.AI cs.DB cs.IR
KG-RAG: Bridging the Gap Between Knowledge and Creativity
IE University(IE大学)
针对大型语言模型智能体的幻觉、遗忘和长上下文问题,本文提出KG-RAG流水线,利用知识图谱与Chain of Explorations算法增强检索问答,并在ComplexWebQuestions上验证其可显著减少幻觉。
2024-05-20 cs.AI cs.CL cs.IR