RAG / 检索增强生成

CoAL-RAG: A Complexity-Aware Legal Retrieval-Augmented Generation Method

CoAL-RAG：一种复杂度感知的法律检索增强生成方法

Jin Su, Zhuofeng Zhao, Huanhuan Wang, Hao Chen

机构 * North China University of Technology（北方工业大学） ； Beijing Key Laboratory of Key Technologies for AI+ Domain Applications（北京市AI+领域应用关键技术重点实验室） ； Beijing Key Laboratory on Integration and Analysis of Large-scale Stream Data（大规模流数据集成与分析技术北京市重点实验室） 纠错

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

AI总结 针对法律咨询问题复杂度差异带来的检索策略适配难题，提出CoAL-RAG方法，通过多维评估实现检索策略自适应，在中英文法律基准上均显著优于基线，兼顾生成质量、推理能力与效率。

Comments 15 pages;accepted to ICSS 2026

GTA-RAG: Graph-Trajectory-Augmented Reinforcement Learning for Multi-Turn Retrieval-Augmented Reasoning

GTA-RAG：用于多轮检索增强推理的图轨迹增强强化学习

Jun Chen, Yongchao Liu, Pengyu Qiu, Jiajun Zheng, Juelu Zhang, Yujie Zeng, Qin Zhang, Ziyue Qiao, Xiao Luo

机构 * Shenzhen University（深圳大学） ； Great Bay University（大湾区大学） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 GTA-RAG是一种图轨迹增强强化学习框架，通过轨迹级监督优化检索策略，在多跳和简单问答基准上，相比RL-based RAG基线提升了性能与证据链覆盖率。

Comments 11 pages, 5 figures. Accepted to EMNLP 2026 Fundings

W-RAG: Source-Aware Retrieval for Enterprise Document Generation from Heterogeneous Knowledge Bases

W-RAG：面向异构知识库的企业文档生成的源感知检索方法

Hridya Dhulipala, Rajesh Ombase, Michael Wang, Tien N. Nguyen

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

AI总结 针对异构知识库下企业文档生成中全局排序导致的上下文失衡问题，提出源感知检索框架W-RAG，引入相关数据集并验证其可提升文档覆盖率与生成质量。

Comments 18 pages

WARP: Wasserstein-Aligned RAG for Population Opinions

WARP：用于群体意见的Wasserstein对齐检索增强生成（RAG）

Aman Singh Thakur, Aditya Agrawal, Alwarappan Nakkiran, Alex Karlsson

专题命中 检索器与排序 ：RAG(title,title_cn)；分类 cs.IR、cs.CL

AI总结 WARP是一种用于群体意见的检索后算法，通过Wasserstein-1距离校准检索证据，在多领域实验中显著降低分布误差，提升RAG系统生成答案的偏好度。

Comments Pre-print

LLM-Specific Utility for Retrieval-Augmented Generation

针对大语言模型的特定效用：检索增强生成的新视角

Hengran Zhang, Keping Bi, Jiafeng Guo, Jiaming Zhang, Shuaiqiang Wang, Dawei Yin, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc（百度公司） 纠错

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

AI总结 本文提出LLM特定效用的概念，指出不同大语言模型对证据的需求不同，提出构建基准以研究这种效用，并推动生成器定制的证据选择方法改进RAG。

Comments Accepted to CIKM 2026

From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism

从关联到因果：通过因果关系与注意力机制提升检索增强生成的检索精度

Jing Liu, Yongxing Qi, Muchen Jiang, Chengnan Hu, Qingqing Peng, Haoming Wang, Yuqing Wang, Yang Yu, Xu Zhang, Ting Wu

机构 * Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院） 纠错

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

AI总结 该研究针对RAG检索阶段仅捕捉关联关系的问题，通过建模检索过程的因果结构，提出一种无需训练的注意力式重评分规则，在企业知识库和关键词堆砌语料库上显著提升了检索精度。

Comments 16 pages, 2 figures, 4 tables, 1 algorithm. Code available at this https URL (https://github.com/Silk-Road/causal-rag-rerank)

SCAR: Semantic Continuity-Aware Retrieval for Efficient Context Expansion in RAG

SCAR: 语义连续性感知检索以实现RAG中的高效上下文扩展

Nathanaël Langlois

机构 * Horizon Flow 纠错

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

AI总结 提出SCAR自适应检索策略，通过查询-邻居相关性与结构连续性惩罚的权衡，选择性扩展相邻块，在保持高召回率的同时显著减少token开销。

Comments 5 pages, 1 figure. Accepted at CIKM 2026 (Short Paper Track)

FCPRAG: Fusion-Controller Parametric Retrieval-Augmented Generation for Stable Multi-Passage LoRA Injection

FCPRAG：融合控制器参数化检索增强生成，用于稳定多段落LoRA注入

Jinchang Zhu, Jindong Li, Yi Ding, Xiaojian Nie, Rong Fu, Shuangyong Song, Haowei He, Menglin Yang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Macau（澳门大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） 纠错

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

AI总结 FCPRAG是一种融合控制的参数化RAG框架，通过轻量控制器实现样本级适配器融合，在多个数据集和LLM主干上提升了RAG的F1值，降低调优成本并增强鲁棒性。

Comments Accepted to EMNLP 2026

Benchmarking Retrieval-Augmented Generation Strategies for Large Language Model-Based Travel Mode Choice Prediction

面向基于大语言模型的出行方式选择预测的检索增强生成策略基准测试

Yiming Xu, Junfeng Jiao

机构 * School of Architecture, The University of Texas at Austin（德克萨斯大学建筑学院） 纠错

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

AI总结 该研究开发将RAG集成到LLM出行方式选择预测的模块化框架，测试四种检索策略在三款LLM上的表现，发现结合均衡检索与交叉编码器重排序的GPT-4o准确率达80.8%，优于传统基线模型。

Spyre-Accelerated Retrieval-Augmented Generation on IBM LinuxONE: A Cloud-Native Architecture for Secure, High-Throughput Enterprise AI Inference

基于IBM LinuxONE的Spyre加速检索增强生成：一种用于安全、高吞吐量企业AI推理的云原生架构

Sandeep Bokkasam, Pankaj D

机构 * IBM ISDL 纠错

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

AI总结 该研究提出一种基于IBM LinuxONE的六子系统RAG架构，利用Spyre加速器等组件实现企业AI推理，使敏感数据不离开硬件边界，延迟低于2秒，较平台外推理降低20倍，满足受监管行业的安全与吞吐量需求。

Comments 8 pages, 1 figure, 3 tables

Retrieval-Augmented Classification of Environmental Mitigations in Hydropower Licensing Documents

水电许可文件中环境缓解措施的检索增强分类

Hong-Jun Yoon, Tom Ruggles, Joanna Lee, Debjani Singh

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

AI总结 针对水电许可文件环境缓解义务分类的标签稀缺问题，提出结合BERT检测与RAG分类的混合系统，在2017年许可文件上取得0.524的微平均F1值，优于单一方法。

KSE-Web: An Analysis of Hybrid Retrieval and LLM-Assisted Query Expansion for Low-Resource Khmer Semantic Search

KSE-Web：面向低资源高棉语语义搜索的混合检索与大语言模型辅助查询扩展分析

Nimol Thuon

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

AI总结 本文针对低资源高棉语语义搜索，构建专属数据集，评估多种检索方法，发现BM25性能最优，LLM辅助查询扩展未提升效果但模型规模影响显著，为相关研究提供基础。

Unleashing the Power of LLMs in Dense Retrieval with Query Likelihood Modeling

利用查询似然建模释放大型语言模型在密集检索中的能力

Hengran Zhang, Keping Bi, Jiafeng Guo, Xiaojie Sun, Shihao Liu, Daiting Shi, Dawei Yin, Xueqi Cheng

机构 * CAS Key Lab of Network Data Science and Technology, ICT, CAS（中国科学院网络数据科学与技术重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc（百度公司） 纠错

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

AI总结 该研究针对LLM在密集检索中全局信息建模不足的问题，提出含注意力块和文档损坏组件的LLM-QL模型，通过查询似然最大化辅助任务增强检索器主干，在MS MARCO和BEIR数据集上优于其他LLM-based检索器。

Comments Accepted to CIKM 2026

Retrieval-grounded robot program generation and simulation-based correction via Model Context Protocol

基于检索的机器人程序生成与基于仿真的修正：通过模型上下文协议

Zhichao Zhou, Siyuan Chen, Omkar Salunkhe, Ebru Turanoglu Bekar, Johan Stahre, Anders Skoogh

机构 * Chalmers University of Technology（查尔姆斯理工大学） 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 该研究针对柔性制造中机器人快速重编程需求，提出结合RAG与MCP的工作流，可生成并修正ABB RAPID机器人程序，借助仿真暴露代码执行故障，减少专家监督需求。

Comments Accepted by CIE53; to appear in the CIE53 Proceedings, Khalifa University, Abu Dhabi, UAE, October 20-23, 2026

TianoForge: An Automated Bug Triage Approach for the TianoCore UEFI Firmware Development Community

TianoForge：面向TianoCore UEFI固件开发社区的自动化Bug分类方法

Nazanin Siavash, Terrance E. Boult, Armin Moin

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

AI总结 针对TianoCore UEFI固件开发社区，提出基于GPT-LLM（结合或不结合RAG）的自动化Bug分类方法TianoForge，可将平均Bug分类时间缩短99.95%，显著提升软件维护效率。

Comments ACM International Workshop on Firmware Testing and Analysis (FTA) 2026, Co-located with ISSTA 2026

Semantic Compression Trees: Multi-Resolution Knowledge Retrieval via Hierarchical Semantic Residuals

语义压缩树：通过分层语义残差实现多分辨率知识检索

Junaid Farooq

机构 * National Institute of Technology Srinagar（斯利那加国家理工学院） 纠错

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

AI总结 该研究针对检索增强生成的扁平索引缺陷，提出语义压缩树（SCT）分层索引，在QASPER数据集上验证其性能，发现残差表示有效但自上而下路由表现不佳。

The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory

检索器应当记忆：面向智能体长期记忆的经验摊销重排序

Qi Feng, Chris Ding, Jicong Fan

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

AI总结 针对长期语言模型智能体检索器不积累经验的问题，提出EARM框架，结合观测与估计评分重排序，提升答案准确率并降低LLM重排序推理开销。

TSWAP: A Multilingual Retrieval-Augmented Thai Wellness Advisor

TSWAP：多语言检索增强型泰国健康顾问

Pornthep Ukosaramig, Kobkrit Viriyayudhakorn

机构 * Digital Touch Point Co., Ltd.（数字触点有限公司） ； iApp Technology Co., Ltd.（iApp技术有限公司） 纠错

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

AI总结 研究提出多语言检索增强型泰国健康顾问TSWAP，基于泰国传统医学知识库，采用混合检索等技术，发布相关基准与日志，发现量化及强制检索的部署要点。

Comments 8 pages, 2 tables. Data and evaluation logs: this https URL (https://huggingface.co/datasets/iapp/tswap-wellness-benchmark)

Enrich-Retrieve-Rank: Scaling Capability Discovery Beyond In-Context Routing

Enrich-Retrieve-Rank：将能力发现扩展至上下文路由之外

Nazib Sorathiya, Daniel Zhang, Bardiya Akhbari

机构 * Amazon AGI（亚马逊AGI） 纠错

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

AI总结 该研究提出Enrich-Retrieve-Rank流程，将能力发现从上下文路由扩展，经实验验证其在大规模MATS组件场景下，比Full-Ctx、Search&Pick基线性能更优且成本更低，已作为多智能体平台的默认能力发现层投入生产。

Comments 11 pages, 4 figures, and 12 tables

Robustness of IR Models to Collection Growth

信息检索模型对集合增长的鲁棒性

Emmanouil Georgios Lionis, Debasis Ganguly, Sean MacAvaney

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

AI总结 本研究探究IR模型对集合增长的鲁棒性，将模型分为MDA和MDD两类，发现两类模型均无法完全抵御非相关文档添加带来的性能下降，且MDA检索器效果优于MDD，二者重排序器效果相当。

Comments CIKM 2026 Short Paper track

The Compaction Cliff in Long-Running AI Agent Memory

长期运行AI智能体记忆中的压缩 cliff

Saber Zerhoudi, Jelena Mitrovic, Michael Granitzer

机构 * University of Passau（帕绍大学） ； IT:U 纠错

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

AI总结 针对AI智能体记忆压缩时安全规则保留率骤降的压缩cliff问题，提出Knowledge Triage框架，通过三类算子优化上下文管理，在多基准测试中优于现有方法，并发布了相关数据集与工具。

GRAFT: Graph-Distilled Generative Retrieval for Facet-Aware Scientific Literature Exploration

GRAFT：面向维度感知的科学文献探索的图蒸馏生成式检索

Italo Luis da Silva, Hanqi Yan, Yujing Wang, Jiangnan Ye, Lin Gui, Yulan He

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

AI总结 该研究提出GRAFT方法，通过图蒸馏生成式检索实现科学文献探索，解决文档级检索无法说明关联原因、传统检索局限于已知邻域的问题，在LitWeave语料上取得良好检索效果，且能标注文献关联维度。

InjecMEM: Memory Injection Attack on LLM Agent Memory Systems

InjecMEM：针对大语言模型智能体记忆系统的内存注入攻击

Hanling Tian, Gengyu Zhang, Zeyang Sha, Jingying Wang, Yuhang Liu, Zhehao Huang, Kun Yang, Xiaolin Huang

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

AI总结 本研究提出InjecMEM内存注入攻击，无需访问LLM智能体内存存储，通过特定锚点与对抗性命令引导后续查询输出，在多模型上验证了其有效性，为智能体内存安全研究提供了可复现框架。

Comments 29 pages, 3 figures. Accepted at COLM 2026

Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision

时间序列预测中哪些历史数据重要？通过未来监督学习预测相关性

Yong-Hoon Choi, Youngjin Cho

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

AI总结 该研究针对时间序列预测的历史检索问题，提出基于未来监督的预测相关性重排序方法，在多基准任务中优于SARAF等检索规则，揭示历史相关性具结构化和领域依赖性。

Toward Effective and Reliable LLM Agents via Dynamic Ontology

基于动态本体的有效可靠大语言模型智能体研究

Xiaohui Zhang, Zequn Sun, Chengyuan Yang, Yuanning Cui, Lingbing Guo, Wei Hu

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

AI总结 本文提出OaK框架，通过动态构建优化面向任务的本体论，在TravelPlanner等数据集上验证其可提升LLM智能体的证据基础与多步推理可靠性。

Risk-Aware Reranking for Agentic Tool Retrieval

面向智能体工具检索的风险感知重排序

Qinfei Li, Xiaoxuan Dong, Jin Zhang, Dexu Yu, Wenhao Deng, Junchen Fu, Youhua Li, Hanwen Du, Chunxiao Li

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

AI总结 本文针对智能体工具检索的风险问题，提出轻量级风险感知重排序框架，通过权衡安全与效用改善相关性-安全 tradeoff，为安全关键部署提供保守操作点。

Comments Accepted by CIKM 2026

Role-Specialized Mixture-of-Agents with Open-Weight LLMs for Clinical Prediction

采用开源权重大语言模型的角色专业化智能体混合架构用于临床预测

Jun Hou, Yi Fang, Xuan Wang

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

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

AI总结 该研究提出角色专业化的开源权重智能体混合架构，结合医学知识检索与相似患者推理，在死亡率预测上媲美闭源模型且标记更多高危患者，为隐私约束下的临床LLM预测提供关键角色设计思路。

Comments COLM 2026 DAIH Workshop

Beyond Visual Similarity: Entity-Aligned Retrieval for Knowledge-Based Visual Question Answering

超越视觉相似度：面向基于知识的视觉问答的实体对齐检索

Hangrui Xu, Zhengxian Wu, Yunyao Yu, Zhuohong Chen, Rui Cong, Xiangwen Deng, Zhifang Liu, Peng Jiao, Haoqian Wang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； University of Arizona（亚利桑那大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 针对KB-VQA现有检索范式忽略实体语义对齐的缺陷，提出首个MLLM嵌入检索器KBMR，结合语义判别器与连续语义蒸馏目标，在Recall@1和VQA准确率上较CLIP基线实现显著提升。

Comments Accepted by ACM MM 2026