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
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。
AI 大模型
RAG / 检索增强生成
检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。
1. 检索器与排序 18 篇
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
机构 * Wayne State University（韦恩州立大学） ； Emory University（埃默里大学）
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
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）
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
机构 * San Jose State University（圣何塞州立大学）
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
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
机构 * Beihang University（北京航空航天大学）
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
机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校）
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
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）
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
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））
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
机构 * Fudan University（复旦大学） ； Meta ； SAIS ； SII
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
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
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）
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
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）
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
机构 * Lahore University of Management Sciences (LUMS), Pakistan（拉合尔管理科学大学（LUMS），巴基斯坦）
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
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
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore Management University（新加坡管理大学）
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？
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）
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
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
