RAG / 检索增强生成

GeoRisk-RAG: A Hierarchy-Aware Risk Framework for Improving RAG Reliability through Selective Answering

GeoRisk-RAG：一种通过选择性回答提升RAG可靠性的层级感知风险框架

Meenu Ravi, Shailik Sarkar, Lulwah AlKulaib, Yordanos Tessema, Chang-Tien Lu

机构 * Virginia Tech（弗吉尼亚理工大学） ； Florida Polytechnic University（佛罗里达理工大学） ； Kuwait University（科威特大学） 纠错

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

AI总结 GeoRisk-RAG是一种层级感知框架，通过选择性回答结合有向无环图距离估计地理适用性，在野火QA数据集上将位置相关问题错误置信率降至0.009，提升RAG可靠性，助力地理空间领域安全决策。

Comments Accepted for CIKM '26 conference

Prompt-Based Abstention Fails Under Misleading Context: A Controlled Study of Small Frozen RAG Models

基于提示的弃权（不执行）在误导性语境下失效：对小型冻结RAG模型的对照研究

Yohanes Andre Setiawan

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 该研究针对小型冻结RAG模型发现，基于提示的弃权（不执行）无法区分缺失与误导性证据，提出GRAB-RAG基准并测试多种策略，发现其在误导性问题上表现不佳且验证器无法兼顾覆盖率与安全性。

Comments 20 pages. Committed to AACL-IJCNLP 2026. Code/data to be released

EvoWiki: Incremental State Overwriting and Traceable Question Answering for Cross-Meeting Knowledge Evolution

EvoWiki：面向跨会议知识演化的增量状态覆盖与可追溯问答

Dongsheng Chen, Tianyu Wang, Wenhui Que

专题命中 知识库问答 ：RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 EvoWiki是一种增量问答架构，通过解耦构建与读取、采用状态覆盖协议等技术，在跨会议知识演化任务中提升了事实一致性与可追溯性，在多数据集上准确率显著优于基线。

Comments 12 pages, 5 figures, 10 tables

Training a Knowledge Base: Supervised Structure Learning for Agent-Curated Document Stores

训练知识库：智能体策划文档存储的监督结构学习

Yu Pan, Hongfeng Yu

机构 * University of Nebraska–Lincoln（内布拉斯加大学林肯分校） 纠错

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

AI总结 该研究提出监督式结构学习方法训练知识库，以智能体策划文档存储，提升动作效率与准确率，其泛化性与键覆盖相关，欠训练的存储可通过增加训练问题进一步优化。

Comments 10 pages, 4 figures, 5 tables. Submitted to IEEE BigData 2026