RAG / 检索增强生成

NEURON: A Neuro-symbolic System for Grounded Clinical Explainability

NEURON：一种面向临床可解释性的神经符号系统

Anuradha Chandrasekaran, Dimitrios Zikos, Mutlu Mete, Alan Pang, Brady D. Lund, Kewei Sha

机构 * University of North Texas（北卡罗来纳大学达顿分校） ； Texas Tech University Health Sciences Center（德克萨斯农工大学健康科学中心） 纠错

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

AI总结 NEURON结合医学本体和机器学习模型，提升预测可靠性与临床可解释性，通过RAG层生成自然语言解释，在MIMIC-IV数据集上提升AUC至0.84-0.88。

SkillSight: Calibrating Generic Content Bias for Skill Retrieval

SkillSight：通过共享描述实现准确技能检索

Jinying Xiao, Bin Li, Xiaopeng Li, Jianling Li, Jiacheng Jie, Xiaodong Liu, Ma Jun, Chao Wang, Nyima Tashi, Jie Yu

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

AI总结 研究针对大语言模型智能体技能检索问题，提出SkillSight框架，通过语义和词汇空间校准共享背景，减少偏差，实验证明该方法能提升检索指标，在端到端评估中表现出色且速度快，实现准确高效的技能选择。

Comments 9 pages, 4 figures

READ: A Retrieval-Alignment Diffusion Framework for Structure-based Drug Design

READ：一种用于基于结构的药物设计的检索-对齐扩散框架

Dong Xu, Zhangfan Yang, Junchuang Cai, Sisi Yuan, Zexuan Zhu, Jianqiang Li, Junkai Ji

机构 * School of Artificial Intelligence（人工智能学院） ； Shenzhen University（深圳大学） ； National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； School of Computer Science（计算机科学学院） ； University of Nottingham Ningbo（诺丁汉大学宁波校区） ； Department of Computing（计算学院） 纠错

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

AI总结 针对现有SBDD模型忽略蛋白-配体复合物相似性及数据有限的问题，提出READ检索-对齐扩散框架，在标准化对接评估中表现优于现有方法，为早期药物计算命中物生成提供实用框架。

Comments 15 pages, 8 figures. Supplementary material is included as an ancillary file. Accepted for publication in IEEE Transactions on Computational Biology and Bioinformatics

Journal ref IEEE Transactions on Computational Biology and Bioinformatics, pp. 1-15, 2026

Adaptive Stopping for Multi-Turn LLM Reasoning

多轮LLM推理中的自适应停止

Xiaofan Zhou, Huy Nguyen, Bo Yu, Chenxi Liu, Lu Cheng

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Augustana College（奥古斯塔纳学院） ； University of Utah（犹他大学） 纠错

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

AI总结 本文提出MiCP框架，通过分配不同误差预算实现多轮推理中的自适应停止，同时保证覆盖率，减少轮次、推理成本和预测集规模。

Fine-grained Claim-level RAG Benchmark for Law

细粒度声明级法律RAG基准

Souvick Das, Sallam Abualhaija, Domenico Bianculli

机构 * University of Luxembourg（卢森堡大学） 纠错

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

AI总结 提出一个支持法语和英语的细粒度声明级法律RAG数据集ClaimRAG-LAW，用于评估检索和生成性能，揭示法律领域RAG系统的局限性。

Does Fixing Break Security? An Empirical Study of Security Degradation in Iterative LLM-Driven Infrastructure-as-Code Repair

修复会破坏安全性吗？对迭代式大语言模型驱动的基础设施即代码修复中安全性退化的实证研究

Benjamin Agyekum, Fabio Santos

专题命中 RAG评测 ：RAG(abstract,abstract_cn)

AI总结 该研究通过分析IaC-Eval基准的5968个场景，发现迭代式LLM驱动的IaC修复会引入约3.3%场景的安全退化，主要由资源重构导致，第3次迭代是最优停止点，为安全反馈设计提供指导。

Comments 20 pages, 3 figures, 5 tables. Accepted at the 20th International Symposium on Empirical Software Engineering and Measurement (ESEM 2026). To appear in LIPIcs Vol. 394. v2: corrected the bibliographic record of one reference (preprint, not a journal article) and added the related-version link to the published LIPIcs article