RAG / 检索增强生成

MRAG: Benchmarking Retrieval-Augmented Generation for Bio-medicine

MRAG：生物医学领域检索增强生成的基准测试

Liz Li, Wei Zhu

机构 * DataSelect AI ； University of Hong Kong（香港大学） 纠错

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

AI总结 MRAG基准测试通过构建医学领域语料库和工具包，评估RAG在生物医学任务中的有效性，揭示RAG在提升LLM可靠性及性能影响因素方面的贡献。

Toward Faithful Retrieval-Augmented Generation with Sparse Autoencoders

迈向基于稀疏自编码器的忠实检索增强生成

Guangzhi Xiong, Zhenghao He, Bohan Liu, Sanchit Sinha, Aidong Zhang

机构 * Department of Computer Science University of Virginia（计算机科学系弗吉尼亚大学） 纠错

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

AI总结 本研究提出RAGLens，通过稀疏自编码器解构LLM内部激活，有效检测RAG生成中的不忠实输出，并提供可解释的决策理由。

Comments ICLR 2026

CyberBOT: Towards Reliable Cybersecurity Education via Ontology-Grounded Retrieval Augmented Generation

CyberBOT: 通过基于本体的检索增强生成实现可靠的网络安全教育

Chengshuai Zhao, Riccardo De Maria, Tharindu Kumarage, Kumar Satvik Chaudhary, Garima Agrawal, Yiwen Li, Jongchan Park, Yuli Deng, Ying-Chih Chen, Huan Liu

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

AI总结 CyberBOT通过基于本体的检索增强生成技术，提供可靠的网络安全教育解决方案，提升教学效果和学生参与度。

Comments Accepted by The Conference on Information and Knowledge Management (CIKM) 2025

Information Retrieval in the Age of Generative AI: The RGB Model

在生成式AI时代的信息检索：RGB模型

Michele Garetto, Alessandro Cornacchia, Franco Galante, Emilio Leonardi, Alessandro Nordio, Alberto Tarable

机构 * University of Turin（都灵大学） 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RGB模型，用于分析生成式AI时代信息动态，揭示其对信息检索和真实性带来的挑战及风险。

Comments To be presented at ACM SIGIR 25

Retrieval- and Argumentation-Enhanced Multi-Agent LLMs for Judgmental Forecasting (Extended Version with Supplementary Material)

检索与论证增强的多智能体大语言模型用于判断性预测（含补充材料）

Deniz Gorur, Antonio Rago, Francesca Toni

机构 * Imperial College London（帝国理工学院伦敦分校） ； King's College London（国王学院伦敦分校） 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 本文提出一种多智能体框架，结合检索与论证增强技术，提升判断性预测的准确性与可解释性。

Comments 24 pages, 3 figures, Accepted to AAMAS 2026

Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval

通过全局时间检索增强多变量时间序列预测

Fanpu Cao, Lu Dai, Jindong Han, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Shandong University（山东大学） 纠错

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

AI总结 GTR通过引入全局时间检索模块，有效提升多变量时间序列预测的长期周期性建模能力，实现高效且通用的预测性能改进。

Comments ICLR 2026