RAG / 检索增强生成

JADE: Bridging the Strategic-Operational Gap in Dynamic Agentic RAG

JADE：动态代理RAG中战略-操作鸿沟的弥合

Yiqun Chen, Erhan Zhang, Tianyi Hu, Shijie Wang, Zixuan Yang, Meizhi Zhong, Xiaochi Wei, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao

机构 * Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） ； Institute of Automation,Chinese Academy of Sciences（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 JADE通过联合优化规划与执行，解决动态代理RAG中战略与操作不匹配的问题，提升多轮工作流的性能与灵活性。

ProRAG: Process-Supervised Reinforcement Learning for Retrieval-Augmented Generation

ProRAG：基于过程监督的强化学习用于检索增强生成

Zhao Wang, Ziliang Zhao, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） 纠错

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

AI总结 ProRAG通过过程监督强化学习框架提升检索增强生成在复杂推理任务中的性能，通过细粒度过程监督和双粒度优势机制实现更精确的反馈和优化。

Comments 11 pages, 6 figures

User-Centric Phishing Detection: A RAG and LLM-Based Approach

以用户为中心的钓鱼检测：一种基于RAG和LLM的方法

Abrar Hamed Al Barwani, Abdelaziz Amara Korba, Raja Waseem Anwar

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

AI总结 本文提出基于RAG和LLM的个性化钓鱼检测方法，通过整合用户历史邮件和实时威胁情报，提升邮件检测的准确性和效率。

GORAG: Graph-based Online Retrieval Augmented Generation for Dynamic Few-shot Social Media Text Classification

基于图的在线检索增强生成用于动态少样本社交媒体文本分类

Yubo Wang, Haoyang Li, Fei Teng, Lei Chen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Guangzhou HKUST Fok Ying Tung Research Institute（广州HKUST福ying顿研究 institute） 纠错

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

AI总结 GORAG提出一种基于图的在线检索增强生成框架，用于动态少样本社交媒体文本分类，通过构建关键词和标签的加权图并动态检索上下文以提升分类性能。

Comments Accepted by WWW 2026

When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning

我应该何时搜索更多：基于强化学习的自适应复杂查询优化

Wei Wen, Sihang Deng, Tianjun Wei, Keyu Chen, Ruizhi Qiao, Xing Sun

机构 * Tencent Youtu Lab（腾讯云图实验室） ； The University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出自适应复杂查询优化框架ACQO，通过强化学习解决复杂查询优化中的子查询数量确定、文档排序与合并问题，实现更稳定高效的查询处理。

Comments 16 pages, 7 figures

LANCER: LLM Reranking for Nugget Coverage

LANCER: 用于 nugget 覆盖的 LLM 重排序

Jia-Huei Ju, François G. Landry, Eugene Yang, Suzan Verberne, Andrew Yates

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

AI总结 LANCER 通过生成子问题并重排序文档，提升长形式 RAG 中的信息覆盖度。

Comments ECIR 2026

RAS: Retrieval-And-Structuring for Knowledge-Intensive LLM Generation

RAS：基于检索与构建的知识密集型大语言模型生成

Pengcheng Jiang, Lang Cao, Ruike Zhu, Minhao Jiang, Yunyi Zhang, Jiaming Shen, Jimeng Sun, Jiawei Han

机构 * Department of Computer Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系） 纠错

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

AI总结 RAS通过动态构建问题特定知识图谱，提升大语言模型在知识密集型任务中的推理准确性和鲁棒性。

Comments ICLR 2026

Generative Recall, Dense Reranking: Learning Multi-View Semantic IDs for Efficient Text-to-Video Retrieval

生成回忆，密集重排序：学习多视图语义ID以实现高效的文本到视频检索

Zecheng Zhao, Zhi Chen, Zi Huang, Shazia Sadiq, Tong Chen

机构 * The University of Queensland（昆士兰大学） ； The University of Southern Queensland（南部昆士兰大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)；dense retrieval(abstract)

AI总结 GRDR通过生成回忆和密集重排序方法，提升文本到视频检索的效率和准确性，减少存储并加速检索过程。

Comments 10 pages

Deep GraphRAG: A Balanced Approach to Hierarchical Retrieval and Adaptive Integration

深度图RAG：一种面向层次检索与自适应整合的平衡方法

Yuejie Li, Ke Yang, Tao Wang, Bolin Chen, Bowen Li, Chengjun Mao

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 Deep GraphRAG通过分层检索与自适应整合方法，在效率与全面性之间取得平衡，利用动态奖励机制提升知识整合性能。

QUARK: Robust Retrieval under Non-Faithful Queries via Query-Anchored Aggregation

QUARK：通过查询锚定聚合实现非忠实查询下的稳健检索

Rita Qiuran Lyu, Michelle Manqiao Wang, Lei Shi

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 QUARK通过建模查询不确定性与锚定聚合，提升非忠实查询下的检索鲁棒性与性能。

Comments 11 pages, 5 figures, 6 tables