RAG / 检索增强生成

DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation

DA-RAG：动态属性社区搜索用于检索增强生成

Xingyuan Zeng, Zuohan Wu, Yue Wang, Chen Zhang, Quanming Yao, Libin Zheng, Jian Yin

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

AI总结 DA-RAG通过动态属性社区搜索提升检索增强生成的效果，有效处理动态复杂查询，减少计算与经济成本。

MIXRAG : Mixture-of-Experts Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering

MIXRAG : 基于专家混合的检索增强生成用于文本图理解与问答

Lihui Liu, Jiayuan Ding, Subhabrata Mukherjee, Carl J. Yang

机构 * Wayne State University（韦恩州立大学） ； Emory University（埃默里大学） 纠错

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

AI总结 MIXRAG通过专家混合图-RAG框架，利用多个专门化图检索器和动态路由控制器，提升复杂查询处理和噪声过滤能力，实现文本图理解和问答任务的高性能表现。

DRAGON: Domain-specific Robust Automatic Data Generation for RAG Optimization

DRAGON: 领域特定的鲁棒自动数据生成用于RAG优化

Haiyang Shen, Hang Yan, Zhongshi Xing, Mugeng Liu, Yue Li, Zhiyang Chen, Yuxiang Wang, Jiuzheng Wang, Yun Ma

机构 * Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Computer Science, Peking University（北京大学计算机学院） ； The Chinese University of Hong Kong（香港中文大学） ； School of Computer Science, Sun Yat-sen University（中山大学计算机学院） ； School of Software & Microelectronics, Peking University（北京大学软件与微电子学院） 纠错

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

AI总结 DRAGON通过领域特定的自动数据生成优化RAG检索性能，提升跨领域检索鲁棒性和系统准确性。

Progressive Searching for Retrieval in RAG

RAG中检索的渐进搜索

Taehee Jeong, Xingzhe Zhao, Peizu Li, Markus Valvur, Weihua Zhao

机构 * San Jose State University（圣何塞州立大学） 纠错

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

AI总结 RAG中提出渐进搜索算法，通过分层搜索逐步优化候选集，实现高效准确的检索，平衡维度、速度和精度，提升大规模数据库的检索性能。

IGMiRAG: Intuition-Guided Retrieval-Augmented Generation with Adaptive Mining of In-Depth Memory

IGMiRAG: 基于直觉引导的检索增强生成与深度记忆适应性挖掘

Xingliang Hou, Yuyan Liu, Qi Sun, haoxiu wang, Hao Hu, Shaoyi Du, Zhiqiang Tian

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

AI总结 IGMiRAG通过直觉引导的检索增强生成框架，结合超图和演绎路径，提升多粒度知识对齐和深度记忆挖掘，实现更高效有效的生成性能。

Comments 29 pages, Information Retrieval

Learning to Select: Query-Aware Adaptive Dimension Selection for Dense Retrieval

学习选择：用于密集检索的查询感知自适应维度选择

Zhanyu Wu, Richong Zhang, Zhijie Nie

机构 * Beihang University（北京航空航天大学） 纠错

专题命中 检索器与排序 ：dense retrieval(title,abstract)；分类 cs.IR、cs.AI

AI总结 本文提出了一种查询感知自适应维度选择框架，通过学习查询嵌入直接预测各维度的重要性，以提升密集检索效果。

BudgetMem: Learning Selective Memory Policies for Cost-Efficient Long-Context Processing in Language Models

BudgetMem: 为语言模型中的低成本长上下文处理学习选择性记忆策略

Chandra Vamsi Krishna Alla, Harish Naidu Gaddam, Manohar Kommi

机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） 纠错

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

AI总结 BudgetMem通过学习选择性记忆策略，在语言模型中实现低成本长上下文处理，相比基线RAG节省72.4%内存且F1分数仅下降1.0%。

Comments 11 pages, 3 figures, 5 tables. Evaluated on 700 QA pairs across multiple document lengths

From Rows to Reasoning: A Retrieval-Augmented Multimodal Framework for Spreadsheet Understanding

从行到推理：一种增强检索的多模态框架用于电子表格理解

Anmol Gulati, Sahil Sen, Waqar Sarguroh, Kevin Paul

机构 * Commercial Technology and Innovation Office, PricewaterhouseCoopers U.S.（普华永道美国商业技术与创新办公室） 纠错

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

AI总结 FRTR提出了一种多模态检索增强生成框架，通过分解电子表格为细粒度嵌入并整合多模态信息，提升了对复杂电子表格的推理能力，在基准测试中实现了显著的准确率提升。

CID-GraphRAG: Enhancing Multi-Turn Dialogue Systems through Dual-Pathway Retrieval of Conversation Flow and Context Semantics

CID-GraphRAG：通过对话流程和上下文语义的双路径检索增强多轮对话系统

Ziqi Zhu, Tao Hu, Honglong Zhang, Dan Yang, Hangeng Chen, Mengran Zhang, Xilun Chen

机构 * Amazon Web Services（亚马逊网络服务） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 CID-GraphRAG通过结合意图转换结构与语义检索，提升多轮对话系统的响应质量。

Guideline Forest: Retrieval-Augmented Reasoning with Branching Experience-Induced Guidelines

指南森林：基于检索的增强推理与分支经验引导

Jiaxiang Chen, Zhuo Wang, Mingxi Zou, Qifan Wang, Zenglin Xu

机构 * Fudan University（复旦大学） ； Meta ； SAIS ； SII 纠错

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

AI总结 Guideline Forest通过利用经验引导多步骤推理，提升数学和编程任务的推理能力，支持多模型协作与灵活扩展。

RARe: Retrieval Augmented Retrieval with In-Context Examples

RARe: 基于上下文示例的检索增强检索

Atula Tejaswi, Yoonsang Lee, Sujay Sanghavi, Eunsol Choi

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

AI总结 RARe通过在检索查询中引入语义相似的上下文示例，提升开放域检索性能，实现nDCG最高+2.72%的提升。

Comments COLM 2025

MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

MemAdapter：通过生成子图检索实现跨代理记忆范式的快速对齐

Xin Zhang, Kailai Yang, Chenyue Li, Hao Li, Qiyu Wei, Jun'ichi Tsujii, Sophia Ananiadou

机构 * The University of Manchester（曼彻斯特大学） ； Stanford University（斯坦福大学） ； Imperial College London（伦敦帝国理工学院） ； National Institute of Advanced Industrial Science（国家先进工业科学与技术研究院） 纠错

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

AI总结 MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐，提升记忆检索灵活性并降低对齐成本，实验显示其性能优于现有系统。

Reasoning-Augmented Representations for Multimodal Retrieval

增强推理的表示用于多模态检索

Jianrui Zhang, Anirudh Sundara Rajan, Brandon Han, Soochahn Lee, Sukanta Ganguly, Yong Jae Lee

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Kookmin University（韩国高丽大学） 纠错

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

AI总结 本研究提出一种增强推理的多模态检索方法，通过外部化推理和语义密集表示提升检索性能，尤其在知识密集型查询和组合修改请求中表现优异。

Kissan-Dost: Bridging the Last Mile in Smallholder Precision Agriculture with Conversational IoT

Kissan-Dost：通过对话物联网弥合小农户精准农业的最后一公里

Muhammad Saad Ali, Daanish U. Khan, Laiba Intizar Ahmad, Umer Irfan, Maryam Mustafa, Naveed Anwar Bhatti, Muhammad Hamad Alizai

机构 * Lahore University of Management Sciences (LUMS), Pakistan（拉合尔管理科学大学（LUMS），巴基斯坦） 纠错

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

AI总结 Kissan-Dost通过对话物联网系统，利用传感器数据和多语言翻译，为小农户提供精准农业的实时指导和高效决策支持。

JUSTICE: Judicial Unified Synthesis Through Intermediate Conclusion Emulation for Automated Judgment Document Generation

JUSTICE: 通过中间结论模拟实现司法统一合成以生成自动判决文件

Binglin Wu, Yingyi Zhang, Xiannneg Li

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

AI总结 JUSTICE通过模拟预判过程提升判决书生成的法律准确性和连贯性

When Does Context Help? Error Dynamics of Contextual Information in Large Language Models

何时上下文有助于？大型语言模型中上下文信息的误差动态

Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che, Yang Deng

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 本文提出统一理论框架，分析上下文信息对Transformer模型误差动态的影响，通过几何条件和范数约束揭示上下文校正的必要条件，并通过实验验证提升模型性能。

Do Language Models Update their Forecasts with New Information?

语言模型是否会随着新信息更新其预测？

Zhangdie Yuan, Zifeng Ding, Andreas Vlachos

机构 * Department of Computer Science and Technology, University of Cambridge, Cambridge, United Kingdom（计算机科学与技术系，剑桥大学，剑桥，英国） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.CL

AI总结 研究发现语言模型在接收到新信息时更新预测不一致且保守，需改进机制以更准确整合外部知识。

DietGlance: Dietary Monitoring and Personalized Analysis at a Glance with Knowledge-Empowered AI Assistant

DietGlance: 通过知识增强的AI助手实现饮食监控与个性化分析

Zhihan Jiang, Running Zhao, Lin Lin, Yue Yu, Handi Chen, Xinchen Zhang, Xuhai Xu, Yifang Wang, Xiaojuan Ma, Edith C. H. Ngai

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

AI总结 DietGlance利用知识增强的AI助手，通过眼镜实现日常饮食行为的自动监控和个性化分析，提供营养分析和饮食建议。

Comments 47 pages, 14 figures. Accepted by ACM Transactions on Computing for Healthcare

Retrieval-GRPO: A Multi-Objective Reinforcement Learning Framework for Dense Retrieval in Taobao Search

检索-GRPO：面向淘宝搜索密集检索的多目标强化学习框架

Xingxian Liu, Dongshuai Li, Jiahui Wan, Tao Wen, Gui Ling, Yuliang Yan, Fuyu Lv, Dan Ou, Haihong Tang, Bo Zheng

专题命中 向量检索 ：dense retrieval(title,abstract)；分类 cs.IR

AI总结 Retrieval-GRPO通过多目标强化学习框架解决密集检索中的硬负样本依赖和跷跷板效应问题，提升复杂长尾查询的语义泛化能力。

Infinity Search: Approximate Vector Search with Projections on q-Metric Spaces

无限搜索：基于q度量空间的向量搜索与投影

Antonio Pariente, Ignacio Hounie, Santiago Segarra, Alejandro Ribeiro

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania, Philadelphia, PA, USA（宾夕法尼亚大学电气与系统工程系） ； Department of Electrical and Computer Engineering, Rice University, Houston, TX, USA（里士满大学电气与计算机工程系） 纠错

专题命中 向量检索 ：vector search(title)；分类 cs.IR

AI总结 本文提出基于q度量空间的近似向量搜索方法，通过投影算子将任意不相似函数转换为超度量空间，并利用学习近似以提高搜索效率，实验显示q值增加可提升速度但降低召回率。

Welfarist Formulations for Diverse Similarity Search

效用主义方法用于多样相似性搜索

Siddharth Barman, Nirjhar Das, Shivam Gupta, Kirankumar Shiragur

机构 * Indian Institute of Science（印度科学研究所） ； Microsoft Research India（微软印度研究院） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR

AI总结 本文提出基于效用主义的NNS方法，通过适应性平衡相关性与多样性，提升搜索结果的多样性同时保持高相关性。

CoRect: Context-Aware Logit Contrast for Hidden State Rectification to Resolve Knowledge Conflicts

CoRect: 用于隐藏状态校正的上下文感知logit对比以解决知识冲突

Xuhua Ma, Richong Zhang, Zhijie Nie

机构 * Beihang University（北航大学） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 CoRect通过上下文感知logit对比校正隐藏状态，解决模型内部参数化知识与检索证据之间的冲突，提升生成任务的忠实度和减少幻觉。

Dynamic Long Context Reasoning over Compressed Memory via End-to-End Reinforcement Learning

通过端到端强化学习实现压缩内存中的动态长上下文推理

Zhuoen Chen, Dongfang Li, Meishan Zhang, Baotian Hu, Min Zhang

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种基于端到端强化学习的框架，通过分块压缩和选择性记忆回溯实现高效长上下文推理，提升了多跳推理任务的准确性和效率。

Comments 26 pages, 7 figures. Code and models will be released

CyberRAG: An Agentic RAG cyber attack classification and reporting tool

CyberRAG: 一种基于代理的RAG网络攻击分类与报告工具

Francesco Blefari, Cristian Cosentino, Francesco Aurelio Pironti, Angelo Furfaro, Fabrizio Marozzo

机构 * University of Calabria（卡利博里大学） ； IMT School for Advanced Studies（IMT高级研究学院） 纠错

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

AI总结 CyberRAG是一种基于代理的RAG框架，通过模块化设计实现网络攻击的实时分类、解释和结构化报告，提高检测准确性和可解释性。

Journal ref Future Generation Computer Systems, 176, 2026, 108186

SCOUT-RAG: Scalable and Cost-Efficient Unifying Traversal for Agentic Graph-RAG over Distributed Domains

SCOUT-RAG：可扩展且成本效益高的代理图式检索框架用于分布式领域

Longkun Li, Yuanben Zou, Jinghan Wu, Yuqing Wen, Jing Li, Hangwei Qian, Ivor Tsang

机构 * A*STAR 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

AI总结 SCOUT-RAG是一种分布式代理图式检索框架，通过跨领域检索和增量效用目标提升推理性能，同时降低成本和延迟。

Generative Ontology: When Structured Knowledge Learns to Create

生成本体：当结构化知识学会创造

Benny Cheung

机构 * Dynamind Research（Dynamind研究） 纠错

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

AI总结 生成本体通过融合本体结构与LLM创造力，实现结构化知识生成，展示了在桌游设计中的有效性及跨领域应用潜力。

Comments 19 pages, 12 figures, 8 tables. v2: added empirical evaluation (3 studies: ablation, benchmark, reliability), expanded related work, discussion section, appendices. Code available at https://github.com/bennycheung/GameGrammarCLI

RAPTOR-AI for Disaster OODA Loop: Hierarchical Multimodal RAG with Experience-Driven Agentic Decision-Making

RAPTOR-AI用于灾难OODA循环：基于经验驱动的多模态RAG框架

Takato Yasuno

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

AI总结 RAPTOR-AI通过分层多模态RAG框架，结合经验驱动的代理控制和LoRA适应，提升灾害响应中的检索精度、情境基础性和任务分解准确性。

Comments 8 pages, 3 figures, 2 tables

ImageRAG: Dynamic Image Retrieval for Reference-Guided Image Generation

ImageRAG：用于参考引导图像生成的动态图像检索

Rotem Shalev-Arkushin, Rinon Gal, Amit H. Bermano, Ohad Fried

机构 * Tel-Aviv University（特拉维夫大学） ； Tel Aviv University（特拉维夫大学） ； Reichman University（里奇曼大学） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 ImageRAG通过动态图像检索提升参考引导图像生成的质量，无需专门训练即可适应不同模型类型。

DRAGOn: Designing RAG On Periodically Updated Corpus

DRAGOn：设计一个定期更新语料库的RAG基准测试

Fedor Chernogorskii, Sergei Averkiev, Liliya Kudraleeva, Zaven Martirosian, Maria Tikhonova, Valentin Malykh, Alena Fenogenova

机构 * SberAI ； MBZUAI ； ITMO ； MISIS ； HSE University（俄罗斯高等经济大学） ； MWS AI ； IITU（俄罗斯联邦信息技术大学） ； YSDA 纠错

专题命中 RAG评测 ：RAG(title,abstract)；分类 cs.CL、cs.AI

AI总结 DRAGOn通过定期更新的语料库设计RAG基准测试，提供自动问题生成和评估流程，减少数据泄漏并促进社区参与。

Comments EACL 2026

Copy-Paste to Mitigate Large Language Model Hallucinations

通过复制粘贴缓解大语言模型的幻觉

Yongchao Long, Xian Wu, Yingying Zhang, Xianbin Wen, Yuxi Zhou, Shenda Hong

机构 * Department of Computer Science, Tianjin University of Technology（天津理工大学计算机学院） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） 纠错

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

AI总结 通过复制粘贴方法提升大语言模型上下文忠实性，减少幻觉并提高测试性能。

Comments Accepted to ICLR 2026