RAG / 检索增强生成

TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster

TS-RAG：基于时间序列基础模型的检索增强生成模型在零样本预测中更强大

Kanghui Ning, Zijie Pan, Yu Liu, Yushan Jiang, James Yiming Zhang, Kashif Rasul, Anderson Schneider, Lintao Ma, Yuriy Nevmyvaka, Dongjin Song

机构 * School of Computing, University of Connecticut（康奈尔大学计算机学院） ； Department of Machine Learning Research, Morgan Stanley（摩根士丹利机器学习研究部） ； Ant Group（蚂蚁集团） ； TWG Global（TWG全球） 纠错

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

AI总结 TS-RAG通过检索增强生成框架提升时间序列预测的零样本性能和可解释性。

5G Network Automation Using Local Large Language Models and Retrieval-Augmented Generation

利用本地大语言模型和检索增强生成实现5G网络自动化

Ahmadreza Majlesara, Ali Majlesi, Ali Mamaghani, Alireza Shokrani, Babak Hossein Khalaj

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

AI总结 本研究通过本地部署大语言模型与检索增强生成技术，实现5G网络自动化管理，提升隐私保护与配置效率。

Comments 4 pages, 1 figure, demonstrated on 6G Summit Abu Dhabi

ReSCORE: Label-free Iterative Retriever Training for Multi-hop Question Answering with Relevance-Consistency Supervision

ReSCORE：无标签迭代检索器训练用于多跳问答的 relevancy-一致性监督

Dosung Lee, Wonjun Oh, Boyoung Kim, Minyoung Kim, Joonsuk Park, Paul Hongsuck Seo

机构 * Dept. of CSE, Korea University（韩国大学计算机科学与工程系） ； NAVER AI Lab（NAVER AI实验室） ； NAVER Cloud（NAVER云） ； University of Richmond（里奇蒙大学） 纠错

专题命中 检索器与排序 ：retriever(title,abstract)；分类 cs.CL

AI总结 ReSCORE通过无标签数据训练密集检索器，提升多跳问答的检索与回答性能。

Comments 9 pages, 3 figures, ACL 2025

A Systematic Analysis of Large Language Models with RAG-enabled Dynamic Prompting for Medical Error Detection and Correction

基于RAG动态提示的大型语言模型系统分析：用于医疗错误检测与纠正

Farzad Ahmed, Joniel Augustine Jerome, Meliha Yetisgen, Özlem Uzuner

机构 * George Mason University（乔治·马歇尔大学） ； University of Washington（华盛顿大学） 纠错

专题命中 检索器与排序 ：RAG(title)；分类 cs.CL、cs.AI

AI总结 本文提出基于RAG动态提示的医疗错误检测与纠正方法，通过对比不同提示策略，发现RDP在准确率、召回率和纠错可靠性方面表现更优。

Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection

面向上下文的元认知修辞提示用于讽刺检测

Michael Iskandardinata, William Christian, Derwin Suhartono

机构 * Computer Science Department（计算机科学系） ； School of Computer Science（计算机科学学院） ； Bina Nusantara University（宾努斯大学） 纠错

专题命中 检索器与排序 ：knowledge retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种基于检索的元认知修辞提示方法，通过整合上下文信息提升LLMs在讽刺检测中的性能，实验显示在多个数据集上均取得显著提升。

The Structure-Content Trade-off in Knowledge Graph Retrieval

知识图谱检索中的结构与内容权衡

Valentin Six, Evan Dufraisse, Gaël de Chalendar

机构 * Université Paris-Saclay - CEA Palaiseau - France（巴黎-萨克雷大学-CEA帕莱索-法国） 纠错

专题命中 检索器与排序 ：hybrid retrieval(abstract)；分类 cs.IR、cs.CL

AI总结 本文研究了知识图谱检索中结构与内容的权衡，通过混合检索函数发现平衡两者可提升LLM的推理效果。

Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction

Mem-PAL: 向基于记忆的个性化对话助手迈进：长期用户-代理交互

Zhaopei Huang, Qifeng Dai, Guozheng Wu, Xiaopeng Wu, Kehan Chen, Chuan Yu, Xubin Li, Tiezheng Ge, Wenxuan Wang, Qin Jin

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

AI总结 Mem-PAL提出H$^2$Memory框架，通过合成数据和实验验证，提升长期用户-代理交互的个性化能力。

Comments Accepted by AAAI 2026 (Oral)

Chatty-KG: A Multi-Agent AI System for On-Demand Conversational Question Answering over Knowledge Graphs

Chatty-KG：一种用于基于知识图谱的按需对话问答的多智能体AI系统

Reham Omar, Abdelghny Orogat, Ibrahim Abdelaziz, Omij Mangukiya, Panos Kalnis, Essam Mansour

机构 * Concordia University（康科德大学） ； IBM Research（IBM研究院） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 Chatty-KG通过多智能体系统实现基于知识图谱的对话问答，结合RAG检索与结构化执行，提升多轮问答的准确性和效率。

Comments This paper is accepted to SIGMOD 2026

Knowledge Completes the Vision: A Multimodal Entity-aware Retrieval-Augmented Generation Framework for News Image Captioning

知识完善视觉：一种多模态实体感知检索增强生成框架用于新闻图像描述

Xiaoxing You, Qiang Huang, Lingyu Li, Chi Zhang, Xiaopeng Liu, Min Zhang, Jun Yu

专题命中 多模态RAG ：retrieval-augmented generation(title,abstract)；分类 cs.AI

AI总结 MERGE提出了一种多模态实体感知检索增强生成框架，通过构建实体中心知识库和改进跨模态对齐，提升新闻图像描述质量和命名实体识别性能。

Comments Accepted to AAAI 2026

TrafficLens: Multi-Camera Traffic Video Analysis Using LLMs

TrafficLens: 多摄像头交通视频分析使用LLMs

Md Adnan Arefeen, Biplob Debnath, Srimat Chakradhar

机构 * NEC Laboratories America（NEC美国实验室） ； University of Missouri–Kansas City (UMKC)（密苏里大学-堪萨斯城分校） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 TrafficLens通过利用多摄像头重叠区域和对象相似性检测，高效地将视频转换为文本，减少处理时间并提升交通视频分析效率。

Comments 2024 IEEE 27th International Conference on Intelligent Transportation Systems (ITSC)

Democratizing LLM Efficiency: From Hyperscale Optimizations to Universal Deployability

让大语言模型效率普及：从超大规模优化到通用部署

Hen-Hsen Huang

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 本文提出通过改进LLM的效率方法，使其在有限资源和专业知识下仍能有效运作，以实现更广泛的部署和公平性。

Comments 8 pages, accepted as a Blue Sky Talk in AAAI 2026

KRAL: Knowledge and Reasoning Augmented Learning for LLM-assisted Clinical Antimicrobial Therapy

KRAL: 用于LLM辅助临床抗菌治疗的知识与推理增强学习

Zhe Li, Yehan Qiu, Yujie Chen, Xiang Zhou

机构 * Information Center, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital（信息中心、复杂严重罕见疾病国家重点实验室、北京友谊医院） ； Department of Critical Care Medicine, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Peking Union Medical College and Chinese Academy of Medical Sciences（重症医学科、复杂严重罕见疾病国家重点实验室、北京友谊医院、北京友谊医院和中国医学科学院） ； Medical Intensive Care Unit, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Peking Union Medical College and Chinese Academy of Medical Sciences（医疗重症病房、复杂严重罕见疾病国家重点实验室、北京友谊医院、北京友谊医院和中国医学科学院） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 KRAL通过知识与推理增强学习提升LLM在临床抗菌治疗中的诊断能力，以低成本高效方式优化医疗决策支持。