RAG / 检索增强生成

Homo-RAG: Homology-Guided Retrieval-Augmented Generation for Cross-Species Gene Function Prediction

Homo-RAG：基于同源性引导检索增强生成的跨物种基因功能预测

Azrin Sultana

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

AI总结 本研究提出Homo-RAG框架，整合同源性引导多跳检索与证据感知排序，实现跨物种基因功能预测，在150个查询及7200份文档的评估中表现优异，为未充分研究生物的基因功能注释提供了实用方案。

Comments 29 pages, 9 figures

PonsRAG: A Pons-Inspired RAG Bridging Cognitive Islands for Coordinated Long Narrative Reasoning

PonsRAG：受脑桥启发的RAG，用于连接认知孤岛以实现协调的长文本推理

Rongchen Zhao, Yu Chen, Juyuan Wang, Zhouting Mo, Jianxing Yu, Wenqing Chen, Jingping Liu

机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； TikTok Inc（字节跳动公司） ； School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） 纠错

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

AI总结 针对现有RAG方法的认知孤岛化与跨层证据脱节问题，提出受脑桥启发的PonsRAG框架，通过三层索引与协调推理组件，在四项长文本叙事基准上实现多项选择任务平均准确率11.56%的相对提升。

Comments Accepted to EMNLP 2026 (Main Conference)

Retrieved But Not Reliable: A Survey on Attacks, and Defenses in Retrieval-Augmented Generation

可检索但不可靠：检索增强生成中的攻击与防御研究综述

Minh Tran, Cuong Dang, Tuc Nguyen, Khanh-Tung Tran, Minh Huynh Nguyen, Trinh Chau, Kien Le, Do Xuan Long, Jiahao Zhang, Hoang D. Nguyen, Thanh Le, Suhang Wang

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

AI总结 本综述针对检索增强生成（RAG）的安全与鲁棒性问题，形式化其各阶段威胁模型，分类攻击目标并梳理各阶段防御及评估方法，为该领域提供统一研究框架。

Comments 24 pages, 6 figures. Accepted to Findings of the Association for Computational Linguistics: EMNLP 2026. Peer-reviewed through ACL Rolling Review (ARR)

ReliableRAG: Combating Misinformation in Retrieval-Augmented Generation via Reliability-Guided Reasoning Chains

ReliableRAG：通过可靠性引导推理链对抗检索增强生成中的错误信息

Jinpu Jiang, Xuan Wu, Wenhao Song, Bo Yang, You Zhou, Hongwei Ge, Heow Pueh Lee, Yanchun Liang, Chunguo Wu

机构 * College of Software, Jilin University（吉林大学软件学院） ； College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院 教育部符号计算与知识工程重点实验室） ； College of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院） ； National University of Singapore（新加坡国立大学） ； School of Computer Science, Zhuhai College of Science and Technology（珠海科技学院计算机学院） 纠错

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

AI总结 ReliableRAG是首个通过细粒度评估三元组缓解多跳问答中欺骗性错误信息的可靠性驱动框架，可提升RAG系统的事实可靠性与鲁棒性。

Interpretable physics-informed retrieval-augmented generation language model for end-to-end inorganic crystal synthesis planning

用于端到端无机晶体合成规划的可解释物理信息增强检索生成语言模型

Wei-Jian Jiang, Ye-Nan Sha, Hui Guo, Jie Chen, Yu-Cai Liang, Ke Zhou, Qi-Long Gao, Dong-Lin Han, Xin-Gao Gong, Wan-Jian Yin

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

AI总结 本研究开发可解释PIRAG-LM模型，构建含13820种晶体的SSKB，合成方法预测准确率达91.4%，指导合成5种新化合物，为材料发现与实验搭建桥梁。

Align Then Adapt: Label-Efficient Adapter Learning for Asymmetric Dense Retrieval

对齐后再训练：高效的检索适配学习

Seiji Maekawa, Moin Aminnaseri, Pouya Pezeshkpour, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

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

AI总结 本文提出Efficient Retrieval Adapter框架，通过自监督对齐和监督适应两阶段训练，解决复杂查询与简单文档之间的检索不匹配问题，提升低标注场景下的检索性能。

Comments EMNLP2026

Query Expansion Is More Than Generation: Improving Dense Retrieval through Better Integration

查询扩展不止是生成：通过更好的集成改进密集检索

Siyuan Sun, Mihai Surdeanu

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

AI总结 该研究针对LLM生成查询扩展导致密集检索器性能下降的问题，提出无需训练的AnchorQE方法，通过编码原始查询与扩展内容并插值，在多个数据集上提升检索效果。

VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval

VisDocAgentBench：面向视觉丰富文档检索的智能体基准测试

Lexiang Hu, Yanzhao Zhang, Mingxin Li, Dingkun Long, Yikang Li, Fuwei Zhang, Yisen Wang, Zhouchen Lin

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

AI总结 该研究提出VisDocAgentBench基准，对比静态与智能体检索，发现视觉检索优于OCR文本检索，智能体可改善双桥项检索性能，为检索智能体发展提供方向。

Towards Reliable, Generalizable, and Specific In-Context Knowledge Editing via Multi-Objective Reinforcement Learning

面向可靠、可泛化且特定的上下文内知识编辑：多目标强化学习方法

Xuzhong Wang, Maiqi Jiang, Tejal Nair, Girija Bhusal, Yanfu Zhang, Haipeng Chen

机构 * College of William and Mary（威廉玛丽学院） ； Tribhuvan University（特里布文大学） 纠错

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

AI总结 针对现有上下文内知识编辑方法难以平衡可靠、泛化、特定目标的问题，提出多目标强化学习算法MO-IKE，在Llama-3.2上多项指标较以往方法显著提升。

Comments Our work proposes a multi-objective reinforcement learning algorithm that optimizes prompt construction for reliable, generalizable, and specific in-context knowledge-editing

Activating Latent Security Knowledge through LLM-Guided Risk Analysis for Secure Code Generation

SPARK: 基于安全知识引导与表示激活的LLM安全代码生成

Xiaoyun Xu, Lichao Wu, Jona te Lintelo, Siyu Zhang, Keke Gai, Stjepan Picek

机构 * Radboud University（拉德堡德大学） ； University of Bristol（布里斯托大学） ； University of Zagreb（扎格雷布大学） 纠错

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

AI总结 提出SPARK方法，通过检索CWE条目并添加结构化提示激活模型内隐安全知识，结合预计算令牌偏置，无需重训练即可提升代码安全性。