RAG / 检索增强生成

Uncertainty-Aware Hybrid Retrieval for Long-Document RAG

不确定性感知的混合检索用于长文档RAG

Hoin Jung, Xiaoqian Wang

机构 * Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；hybrid retrieval(title,abstract)；retrieval augmented generation(abstract)；retriever(abstract)

AI总结 提出UMG-RAG，一种无需训练的混合检索框架，通过多粒度分块和不确定性估计融合密集与稀疏检索结果，提升长文档问答质量。

Conflict-Aware Retriever Editing for Knowledge Injection Attacks on LLM-Based RAG Systems

冲突感知检索器编辑：针对基于LLM的RAG系统的知识注入攻击

Xinru Liu, Xianglong Zhang, Di Cai, Zhumin Chen, Pengfei Hu, Xin Xin

机构 * Shandong University, China（山东大学，中国） ； Tsinghua University, China（清华大学，中国） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(title,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)

AI总结 提出冲突感知检索器编辑框架CAREATTACK，通过模型中心攻击将恶意知识注入RAG系统，利用图检测和参数编辑投影解决冲突，并轻量校准保持攻击效果。

GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation

GLM-RAG：面向基于图的检索增强生成的图语言模型

Maya Arseven, Anette Frank, Beni Egressy, Johann Higl, Moritz Plenz

机构 * Institute of Computational Linguistics, Heidelberg University（海德堡大学计算语言学研究所） ； Aleph Alpha Research（Aleph Alpha 研究院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本研究提出GLM-RAG的GLM基检索器，对比三类检索器性能，发现微调GLM检索器跨域泛化更优且在多跳基准达SOTA，GNN与向量搜索各有优势。

Comments 10 pages, 19 figures

RAG-CT: Mitigating Privacy Risks on Retrieval-Augmented Generation Systems via Scanning Prompt Distribution

RAG-CT：通过扫描提示分布缓解检索增强生成系统中的隐私风险

Xingyu Lyu, Jiayimei Wang, Jianfeng He, Ning Wang, Yidan Hu, Yimin Chen

机构 * University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） ； City University of Hong Kong（香港城市大学） ； Virginia Tech（弗吉尼亚理工大学） ； University of South Florida（南佛罗里达大学） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.CL、cs.AI

AI总结 针对RAG系统易受PII泄露攻击的问题，提出基于熵和边际分布分析的轻量级防御方法RAG-CT，在多个数据集上显著降低泄露并优于现有防御。

SKILL-RAG: Self-Knowledge Induced Learning and Filtering for Retrieval-Augmented Generation

SKILL-RAG：用于检索增强生成的自知识诱导学习与过滤方法

Tomoaki Isoda

机构 * Tomoaki Isoda（独立研究者） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 该研究针对RAG的幻觉问题，提出SKILL-RAG方法，通过强化学习框架引出模型自知识，过滤无关检索内容，在多个问答基准上提升生成质量并减少输入文档数量。

Comments The author has decided not to pursue further development or publication of this work. Since the current manuscript represents an incomplete research project and no revised version is planned, the author requests that the article be withdrawn

VecTree-RAG: An Agentic Retrieval-Augmented Generation Framework Combining Vector and Tree Retrieval for Efficiency and Accuracy

VecTree-RAG：一种结合向量和树检索的智能检索增强生成框架，以提高效率和准确性

Xinyan Zhong, Yuwei Shi, Yuqi Wei, Chen Shen, Tianhang Zhou, Zhenghao Wu

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； Suzhou Lab（苏州实验室） ； China University of Petroleum (Beijing)（中国石油大学（北京）） ； University of Liverpool（利物浦大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；vector search(abstract)；分类 cs.IR、cs.AI

AI总结 研究针对科学问答中识别相关论文及找支持证据的问题，提出VecTree-RAG框架，结合向量与树检索机制。经多组问题评估，该框架在多个基准上获高分，证据页面精度高，且完整架构所需推理令牌少，为科学文献问答提供结构感知且可追溯的架构。

M-RAG: Semantic Key-Value Indexing for Retrieval-Augmented Generation

M-RAG：使RAG更快、更强和更高效

Xu Sun, Tongkai Xu, Baiheng Xie, Li Huang, Qiang Gao, Kunpeng Zhang

机构 * Southwestern University of Finance and Economics（西南财经大学） ； Zhida AI, Zhida Technology（智达AI，智达科技） ； University of Maryland, College Park（马里兰大学帕克分校） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.IR、cs.AI

AI总结 M-RAG提出一种无片段检索策略，通过提取结构化元标记提升检索与生成效率，实验证明其在低资源环境下优于传统RAG方法。

When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval

当更多文档损害RAG：利用领域限定、模型无关的检索缓解向量搜索稀释

Nabaraj Subedi, Ahmed Abdelaty, Shivanand Venkanna Sheshappanavar

机构 * Dept. of Electrical Engineering & Computer Science, University of Wyoming（怀俄明大学电气工程与计算机科学系） ； Dept. of Civil, Architectural Engineering & Construction Management, University of Wyoming（怀俄明大学土木、建筑工程与施工管理系） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；vector search(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 针对检索增强生成在异构文档集合中因向量搜索稀释导致性能下降的问题，提出基于组织元数据的领域限定方法MASDR-RAG，显著提升P@10至0.86，并揭示多智能体编排的精度-忠实度悖论。

Comments 24 pages, 8 figures, 30 tables. Preprint under review

QuCo-RAG: Quantifying Uncertainty from the Pre-training Corpus for Dynamic Retrieval-Augmented Generation

QuCo-RAG：从预训练语料库中量化不确定性以实现动态检索增强生成

Dehai Min, Kailin Zhang, Tongtong Wu, Lu Cheng

机构 * University of Illinois at Chicago（伊利诺伊大学香槟分校） ； New York University（纽约大学） ； Monash University（莫纳什大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.CL

AI总结 本研究提出QuCo-RAG，通过从预训练语料库中提取客观统计信息来量化不确定性，以解决动态检索增强生成中大语言模型的幻觉问题，实验表明其在多跳问答基准测试中优于现有方法，并在多个模型上实现了显著的提升。

Comments ACL Findings 2026

Disco-RAG: Discourse-Aware Retrieval-Augmented Generation

Disco-RAG: 语篇意识的检索增强生成

Dongqi Liu, Hang Ding, Qiming Feng, Xurong Xie, Zhucun Xue, Chengjie Wang, Jian Li, Jiangning Zhang, Yabiao Wang

机构 * Saarland University（萨尔兰大学） ； Shanghai Jiaotong University（上海交通大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 Discourse-aware RAG框架通过构建篇章内结构树和跨篇章修辞图，提升知识整合能力，在问答和长文档摘要任务中取得最佳效果。

Comments ACL 2026 Main & Long Conference Paper

CHSR-RRF: A curriculum-gated hybrid retrieval framework with reciprocal rank fusion and leakage-aware benchmarking for educational RAG

CHSR-RRF：一种用于教育检索增强生成（RAG）的课程门控混合检索框架，结合了互反秩融合与感知漏检的基准测试

Terence Ateya, Zavier Ndum Ndum, Jicheng Fu, Kelly Tendongkeng

专题命中 检索器与排序 ：RAG(title,title_cn)；hybrid retrieval(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 本研究针对教育RAG的课程漏检问题，提出CHSR-RRF框架，结合检索前元数据约束、混合检索与互反秩融合，构建126案例的CERB基准，实验验证其可显著降低漏检率且保留召回率。

Comments 45 pages, 14 figures

Quantifying Retriever-Generator Alignment in RAG with Local Explanations

用局部解释量化检索生成模型（RAG）中的检索器-生成器对齐

Korbinian Randl, Guido Rocchietti, Aron Henriksson, Ziawasch Abedjan, Tony Lindgren, John Pavlopoulos

机构 * Department of Computer and Systems Sciences, Stockholm University（斯德哥尔摩大学计算机与系统科学系） ； BIFOLD, Technische Universität Berlin（柏林技术大学BIFOLD） ； Department of Informatics, Athens University of Economics and Business（雅典经济与商业大学信息系） ； Archimedes, Athena Research Centre（雅典研究中心Archimedes） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 研究RAG系统中检索器与生成器交互不透明问题，提出RAG-E框架，用数学归因方法量化二者对齐，通过实验表明WARG能更好捕捉对齐情况，为审计交互提供实用框架，提升RAG系统可靠性与透明度。

ProGRank: Probe-Gradient Reranking to Defend Dense-Retriever RAG from Corpus Poisoning

ProGRank: 探针梯度重排序以防御密集检索器RAG免受语料投毒攻击

Xiangyu Yin, Yi Qi, Chih-Hong Cheng

机构 * Chalmers University of Technology, Sweden（瑞典查尔姆斯理工大学） ； University of Leeds, United Kingdom（英国利兹大学） ； Carl von Ossietzky University of Oldenburg, Germany（德国奥尔登堡卡尔·冯·奥西特齐大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出ProGRank，一种无需训练的后处理检索器端防御方法，通过随机扰动下探针梯度提取不稳定信号并重排序，有效防御密集检索器RAG的语料投毒攻击。

Comments accepted by ECML PKDD 2026

RAG-RL: Advancing Retrieval-Augmented Generation via RL and Curriculum Learning

RAG-RL：通过强化学习和课程学习推进检索增强生成

Jerry Huang, Siddarth Madala, Risham Sidhu, Cheng Niu, Hao Peng, Julia Hockenmaier, Tong Zhang

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.CL

AI总结 RAG-RL通过强化学习和课程学习提升检索增强生成性能，使生成模型能识别并引用相关信息，提高样本效率和泛化能力，实验显示在多跳问答任务中准确率显著提升。

Masking or Mitigating? Deconstructing the Impact of Query Rewriting on Retriever Biases in RAG

掩蔽还是缓解？解构查询重写对RAG中检索偏见的影响

Agam Goyal, Koyel Mukherjee, Apoorv Saxena, Anirudh Phukan, Eshwar Chandrasekharan, Hari Sundaram

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(title)；retrieval-augmented generation(abstract)；dense retrieval(abstract)

AI总结 本文研究查询重写技术对RAG系统中检索偏见的影响，发现简单LLM重写能显著降低偏见，但对抗条件下效果受限。分析揭示两种机制：简单重写通过增加分数方差降低偏见，伪文档生成通过真实去相关性降低偏见。

Comments ACL'26: 13 pages, 4 figures, 4 tables

Retriever Portfolios: A Principled Approach to Adaptive RAG

检索器组合：一种自适应RAG的原则性方法

Miltiadis Stouras, Vincent Cohen-Addad, Silvio Lattanzi, Ola Svensson

机构 * EPFL（瑞士联邦理工学院） ； Google Research（谷歌研究院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(title,abstract)；retrieval-augmented generation(abstract)

AI总结 提出从大量候选检索器中自动选择小型多样子集（组合）的方法，通过期望最优k目标优化查询分布，实现自适应RAG，在多个QA基准上优于单检索器和朴素多检索器基线，并降低延迟和令牌成本。

Comments Accepted at ICML 2026. Code available at: https://github.com/mstou/retriever-portfolios

AB-RAG: Adaptive Budgeted Retrieval-Augmented Generation for Reliable Question Answering

AB-RAG：自适应预算检索增强生成用于可靠问答

Ansh Kamthan

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出AB-RAG框架，无需训练，通过结合模型置信度、答案与证据一致性及检索分数方差三个信号，自适应决定检索预算，在固定预算下提高问答准确率。

Comments 16 pages, 9 figures, 12 tables

Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm

Bridge-RAG：一种基于抽象桥树的检索增强生成算法

Zihang Li, Wenjun Liu, Yikun Zong, Jiawen Tao, Siying Dai, Songcheng Ren, Zirui Liu, Yuhang Wang, Yanbing Jiang, Tong Yang

机构 * Peking University（北京大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval augmented generation(title)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 针对检索增强生成中准确性和效率的挑战，提出Bridge-RAG框架，通过抽象桥树结构实现多级检索，并集成布谷鸟过滤器实现O(1)实体查找，在保持高准确率的同时将检索速度提升至1.9倍。

DSPrompt: Dynamic Soft Prompt Defense Against M-RAG Corruption

DSPrompt：针对M-RAG污染的动态软提示防御

Chang Liu, Yuni Lai, Mingyue Cui, Cong Tian, Yunyan Zhang, Xian Wu, Kai Zhou, Bin Xiao

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval augmented generation(abstract,abstract_cn)；retriever(abstract)；dense retrieval(abstract)

AI总结 本文针对M-RAG面临的对抗攻击问题，提出DSPrompt动态软提示防御框架，通过在冻结检索器编码器插入可学习软提示，以低开销实现了优于现有方法的防御效果，同时维持检索与生成性能。

In RAG We Trust? Measuring Robustness of Retrieval-Augmented Generation Under Document Poisoning

我们信任RAG吗？衡量检索增强生成在文档投毒下的鲁棒性

Iliano Fasolino

机构 * University of Milan（米兰大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究通过因子实验测量Llama 3.1 8B在RAG文档投毒下的鲁棒性，发现实体替换攻击影响最大，模型主要反应为弃权而非产生新虚假信息。

Comments 6 figures. Preprint also available on Zenodo: https://doi.org/10.5281/zenodo.21285977

MA-RAG: Multi-Agent Retrieval-Augmented Generation for Query-Driven Summarization of Longitudinal Parkinson's Disease Assessments

MA-RAG：用于帕金森病纵向评估查询驱动式摘要的多智能体检索增强生成框架

Sana Alamgeera, Denise Goberta, Muhammad Irshad, Anne H. H. Ngu

机构 * Texas State University（德克萨斯州立大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 针对LLMs解读帕金森病纵向临床评估时的事实与时间一致性问题，提出MA-RAG多智能体检索增强生成框架，经评估其事实精度大幅提升、幻觉率显著降低，获临床专家高度认可。

CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method

CoAL-RAG：一种复杂度感知的法律检索增强生成方法

Jin Su, Zhuofeng Zhao, Huanhuan Wang, Hao Chen

机构 * North China University of Technology（北方工业大学） ； Beijing Key Laboratory of Key Technologies for AI+ Domain Applications（北京市AI+领域应用关键技术重点实验室） ； Beijing Key Laboratory on Integration and Analysis of Large-scale Stream Data（大规模流数据集成与分析技术北京市重点实验室） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 针对法律咨询问题复杂度差异带来的检索策略适配难题，提出CoAL-RAG方法，通过多维评估实现检索策略自适应，在中英文法律基准上均显著优于基线，兼顾生成质量、推理能力与效率。

Comments 15 pages;accepted to ICSS 2026

SURE-RAG: Sufficiency and Uncertainty-Aware Evidence Verification for Selective Retrieval-Augmented Generation

SURE-RAG：用于选择性检索增强生成的充分性和不确定性感知证据验证

Jingxi Qiu, Zeyu Han, Cheng Huang

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.CL

AI总结 研究选择性检索增强生成的证据充分性验证问题，提出SURE-RAG聚合协议，通过共享验证器生成局部关系分布并聚合为特征块，产生三向决策和可审计分数，实验表明其性能优于多种方法，还对比了与GPT-4o在不同任务上的表现。

Comments 8 pages, 2 figures, 8 tables. Submitted to IEEE PRAI 2026

Candidate-Constrained Retrieval-Augmented Generation for LongEval-RAG: System Design and Empirical Analysis

用于LongEval-RAG的候选约束检索增强生成：系统设计与实证分析

Yingdong Yang, Haijian Wu

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.CL

AI总结 介绍用于LongEval-RAG的候选约束检索增强生成系统，结合多种方法，经评估得出最强平衡变体rule-minilm，表明主要增益来自稳定规则证据单元与句子级神经选择结合，强调多指标评估需求。

Comments Published in CEUR Workshop Proceedings 2026

PRA-RAG: Provably Robust Aggregation in Retrieval-Augmented Generation against Retrieval Corruption

PRA-RAG：检索增强生成中针对检索污染的鲁棒聚合方法

Xue Tan, Yi Zheng, Chang Huo, Yunruo Zhang, Yu Liu, Hao Luan, Zhuyang Yu, Xiaoyan Sun, Ping Chen, Jun Dai

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.AI

AI总结 提出PRA-RAG算法，通过采样检索文本组合并利用嵌入空间几何结构选择鲁棒子集，提供理论鲁棒性保证，在多个基准上将攻击成功率降至1%同时保持71%准确率。

TA-RAG: Tone-Aware Retrieval-Augmented Generation for Peer-Support Health Communication

TA-RAG: 面向同伴支持健康沟通的语气感知检索增强生成

Yong-Bin Kang, Anthony McCosker

机构 * Swinburne University of Technology（斯winburne大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.IR、cs.CL

AI总结 提出TA-RAG框架，通过轻量级提示在RAG管道中嵌入语气控制（无污名化、可读性调整、受众适应、同理心改写），无需微调模型，提升敏感健康沟通质量。

Comments 5 pages, 5 figures, CIKM 2026 submission manuscript

SEMA-RAG: A Self-Evolving Multi-Agent Retrieval-Augmented Generation Framework for Medical Reasoning

SEMA-RAG: 面向医学推理的自演化多智能体检索增强生成框架

Yongfeng Huang, Ruiying Chen, James Cheng

机构 * CSE, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； Wuhan University of Technology（武汉理工大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 针对医学问答中单轮静态检索与临床推理多阶段过程不匹配的问题，提出SEMA-RAG框架，通过任务解耦和动态多轮探索，由三个专业智能体分别负责临床解释、自演化检索和证据裁决，在多个基准上平均提升准确率6.46个百分点。

Comments Accepted to Findings of ACL 2026

When Machine Unlearning Meets Retrieval-Augmented Generation (RAG): Keep Secret or Forget Knowledge?

当模型遗忘遇上检索增强生成（RAG）：保守秘密还是遗忘知识？

Shang Wang, Tianqing Zhu, Dayong Ye, Wanlei Zhou

机构 * School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院） ； Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL

AI总结 研究大语言模型训练中敏感信息保留问题，提出基于检索增强生成（RAG）技术的轻量级行为遗忘框架，通过修改外部知识库模拟遗忘，经实验验证该方法符合五个关键遗忘标准，还可扩展到多模态模型和智能体。

Comments This paper is accepted by IEEE Transactions on Dependable and Secure Computing 2025. The source code is available at \url{https://github.com/shihe98/RAG_Unlearning}

SciRet: A Compute-Aware Empirical Study of Retrieval and Reranking for Scientific RAG

SciRet：面向科学RAG的检索与重排序的计算感知实证研究

Kaysarul Anas Apurba, Md. Hasibul Hasan, Rofiqul Alam Shehab, Asab Azad

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；hybrid retrieval(abstract)

AI总结 该研究针对CORD-19科学问答开展SciRet实证研究，评估固定科学RAG流程在不同语料库规模下的表现，发现混合检索更稳健、MS MARCO训练的重排序器存在领域不匹配问题，生成忠实度随语料库规模提升，并发布相关资源支持后续研究。

Comments 6 pages, 5 figures. Short paper

Agentic Hybrid RAG for Evidence-Grounded Muon Collider Analysis

基于证据的缪子对撞机分析的智能混合RAG

Ruobing Jiang, Dawei Fu, Cheng Jiang, Tianyi Yang, Zijian Wang, Youpeng Wu, Yong Ban, Yajun Mao, Qiang Li

机构 * Peking University（北京大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；retriever(abstract)；hybrid retrieval(abstract)

AI总结 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。

Comments 22 pages, 5 figures, and 6 tables