RAG / 检索增强生成

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 12 pages, 5 figures. Accepted to EMNLP 2026 Findings

PACE-RAG: Patient-Aware Contextual and Evidence-Constrained RAG for Clinical Drug Recommendation

PACE-RAG：面向临床药物推荐的患者感知上下文与证据约束RAG

Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Sungyang Jo, Jinse Park, Jong Chul Ye

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Department of Neurology, Seoul National University Hospital（首尔国立大学医院神经科） ； Asan Medical Center, University of Ulsan, College of Medicine（釜山大学医学院阿桑医院） ； Haeundae Paik Hospital, Inje University（庆尚大学医院海undae医院） 纠错

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

AI总结 提出PACE-RAG框架，通过提取患者特定临床特征、检索相关病例并结合当前症状与用药史，实现个性化药物推荐，在帕金森病和MIMIC-IV数据集上取得最优性能。

Comments EMNLP Findings 2026 (34 pages, 18 figures)

MIRAGE: Misleading Retrieval-Augmented Generation via Black-box and Query-agnostic Poisoning Attacks

MIRAGE: 通过黑盒与查询无关的投毒攻击误导检索增强生成

Tailun Chen, Yu He, Yan Wang, Shuo Shao, Haolun Zheng, Zhihao Liu, Jinfeng Li, Zhizhen Qin, Yuefeng Chen, Zhixuan Chu, Zhan Qin, Kui Ren

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

AI总结 提出MIRAGE，一种在黑盒和查询无关场景下通过多阶段投毒管道攻击RAG系统的方法，利用代理模型反馈、人物驱动查询合成、语义锚定和对抗性TPO优化，显著提升攻击效果和隐蔽性。

Dataset Protection via Watermarked Canaries in Retrieval-Augmented LLMs

通过检索增强型大语言模型中的水印金丝雀实现数据集保护

Yepeng Liu, Xuandong Zhao, Dawn Song, Yuheng Bu

机构 * University of Florida（佛罗里达大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 本研究提出CanaryTrace方法，通过在IP数据集中插入带水印的金丝雀文档，可高效检测RA-LLMs对数据集的未经授权使用，且不影响RAG系统性能。

Comments EMNLP2026

Beyond Semantic Similarity: Reducing Unnecessary API Calls via Behavior-Aligned Retriever

超越语义相似度：通过行为对齐检索减少不必要的API调用

Yixin Chen, Ying Xiong, Shangyu Wu, Yufei Cui, Xue Liu, Nan Guan, Chun Jason Xue

机构 * City University of Hong Kong（香港城市大学） ； Mohamed Bin Zayed University of Artificial Intelligence（马尔代夫穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） 纠错

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

AI总结 该研究针对工具增强型LLM的不必要API调用问题，提出行为对齐检索（BAR）方法，通过训练感知行为的相似度排序演示示例，在多类骨干网络和基准中提升调用可靠性、减少API调用。

Query Expansion Should Be Coordinated: Dense Expands, Sparse Anchors

密集扩展，稀疏锚点：用于混合检索的通道非对称查询扩展

Chunran Zhang

机构 * School of Computing and Artificial Intelligence（计算机与人工智能学院） ； Southwest Jiaotong University（西南交通大学） 纠错

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

AI总结 本研究提出DESA通道非对称查询扩展方法，在7个BEIR数据集上提升检索指标，同时降低访问深度，为生成段落的通道特定整合及检索效果与访问深度的联合评估提供支撑。

Comments 12 pages, 4 figures. Code and artifacts: this https URL (https://github.com/ln-one/dense-expands-sparse-anchors)

LexPath: A domain-oriented multi-path framework for legal article retrieval

LexPath: 面向领域的多路径法律条文检索框架

Weixuan Liu, Qingfeng Zhuge, Xuyang Chen

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

AI总结 提出LexPath多路径框架，通过IRAC引导的稀疏路径和结构引导的稠密路径进行候选条文检索，并利用意图一致性评分重排序，在公开和专业基准上优于现有检索方法。

Comments Revised version. Accepted at EMNLP 2026

NanoVDR: Distilling a 2B Vision-Language Retriever into a 70M Text-Only Encoder for Visual Document Retrieval

NanoVDR：将20亿参数的视觉语言检索器蒸馏为7000万参数的纯文本编码器用于视觉文档检索

Zhuchenyang Liu, Yao Zhang, Yu Xiao

机构 * Aalto University（阿alto大学） 纠错

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

AI总结 利用查询-文档不对称性，通过蒸馏将20亿参数的视觉语言模型教师蒸馏为7000万参数的纯文本学生编码器，采用点态余弦对齐目标，实现视觉文档检索的高效推理。

Comments Accepted to EMNLP 2026 (Main Track)

PsychoAgent: An Affect-Sensitive Cognitive Architecture for Conflict-Aware Memory in LLM Agents

PsychoAgent：面向大语言模型智能体的、具备冲突感知记忆的情感敏感认知架构

Mohammad Amanlou, Parham Abed Azad, Farbod Davoodi, Mostafa Masumi, Behnam Bahrak, Abdol-Hossein Vahabie

机构 * School of Electrical and Computer Engineering, College of Engineering, University of Tehran（德黑兰大学工程学院电气与计算机工程学院） ； Sharif University of Technology（谢里夫理工大学） ； Missouri University of Science and Technology（密苏里科技大学） ； Tehran Institute for Advanced Studies, Khatam University（哈塔姆大学德黑兰高等研究院） 纠错

专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 该研究提出PsychoAgent架构，分离事实与情感记忆并通过冲突感知控制器整合，在三类冲突场景中其冲突关键记忆检索率优于相关基线，为LLM智能体建模类人冲突效应提供了可检查机制。

Comments 22 pages total (12-page main paper + 10-page supplementary material). Revised after peer review. Accepted for oral presentation and publication in the BICA 2026 proceedings, Springer Lecture Notes in Electrical Engineering (LNEE)

UniFAR: A Unified Facet-Aware Retrieval Framework for Scientific Documents

UniFAR: 一种统一的面向面检索框架用于科学文档

Zheng Dou, Zhao Zhang, Deqing Wang, Yikun Ban, Fuzhen Zhuang

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

AI总结 UniFAR提出一种统一的面向面检索框架，通过自适应多粒度聚合、可学习的面向锚点和联合训练，有效解决文档与问题驱动检索之间的不匹配问题，提升科学文档检索性能。

MIND: Unified Inquiry and Diagnosis RL with Criteria Grounded Clinical Supports for Psychiatric Consultation

MIND: 一种基于临床标准的统一探究与诊断强化学习框架用于精神病咨询

Guoyi Li, Shihao Xu, Jiatong Ma, Zhongjiang Yao, Yunyun Han, Jianhua Chen, Yafeng Deng

机构 * EverMind AI Inc.（EverMind AI公司） ； EverMind AI Inc., Tianqiao and Chrissy Chen Institute（EverMind AI公司、田桥与克里斯西·陈研究所） ； Shanghai Mental Health Center, Shanghai Jiao Tong University School of Medicine（上海精神卫生中心、上海交通大学医学院） 纠错

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

AI总结 MIND通过基于临床标准的推理框架提升精神病咨询的诊断准确性和互动质量。

Comments Accepted to EMNLP 2026 (Main Conference)

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

SkillRet: A Large-Scale Benchmark for Skill Retrieval in LLM Agents

SkillRet：一种大规模技能检索基准，用于LLM代理

Hongcheol Cho, Ryangkyung Kang, Youngeun Kim

机构 * ThakiCloud 纠错

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

AI总结 本文提出SkillRet基准，用于评估LLM代理中的技能检索。该基准包含17810个公开技能，提供63259个训练样本和4997个评估查询，通过任务特定微调显著提升了检索性能。

FocusAgent: Simple Yet Effective Ways of Trimming the Large Context of Web Agents

FocusAgent：修剪网页智能体大上下文的简单有效方法

Imene Kerboua, Sahar Omidi Shayegan, Megh Thakkar, Xing Han Lù, Léo Boisvert, Massimo Caccia, Jérémy Espinas, Alexandre Aussem, Véronique Eglin, Alexandre Lacoste

机构 * LIRIS - CNRS, INSA Lyon, Universite Claude Bernard Lyon 1（LIRIS - CNRS，INSA里昂，克劳德·贝尔纳大学里昂） ； Esker ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） 纠错

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

AI总结 该研究提出FocusAgent，通过轻量级LLM检索器修剪网页智能体的无关上下文，在保持性能的同时减少观测规模超50%，并降低提示注入攻击风险。

Comments TMLR 08/2026

SpIDER: Spatially Informed Dense Embedding Retrieval for Software Issue Localization

SpIDER：面向软件问题定位的时空感知密集嵌入检索

Shravan Chaudhari, Rahul Thomas Jacob, Jiajun Cao, Shihab Rashid, Mononito Goswami, Christian Bock

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； AWS（亚马逊公司） ； AWS AI Labs（亚马逊人工智能实验室） 纠错

专题命中 检索器与排序 ：dense retrieval(abstract)

AI总结 SpIDER通过结合LLM推理和图结构探索信息，提升代码库中相关代码单元的密集检索性能，实验显示在多个编程语言和基准测试中性能提升达13%。

Comments EMNLP 2026 camera-ready

SINDI: An Efficient Index for Sparse Vector Approximate Maximum Inner Product Search

SINDI：一种高效的近似最大内积搜索索引

Ruoxuan Li, Xiaoyao Zhong, Jiabao Jin, Peng Cheng, Wangze Ni, Zhitao Shen, Wei Jia, Xiangyu Wang, Heng Tao Shen, Jingkuan Song

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.DB

AI总结 SINDI通过高效内积计算、内存友好设计和向量修剪，提升了稀疏向量近似最大内积搜索的效率和性能。

Comments 18 pages, accepted by ICDE 2026. Due to submission limitation for ICDE 2026 (i.e., maximum 6 submissions per author), Lei Chen and Xuemin Lin are not included as authors

Privacy-Preserving LLM Embedding Transmission for End-Cloud Collaboration

面向端云协同的隐私保护大语言模型嵌入传输

Shuaifan Jin, Xiaoyi Pang, Zhibo Wang, He Wang, Jiacheng Du, Jiahui Hu, Kui Ren

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)

AI总结 本文针对端云协同中嵌入反转攻击导致的隐私泄露问题，提出基于熵扰动的EntroGuard方法，可在保护嵌入隐私的同时维持检索性能，且无需修改嵌入模型。

Comments Accepted for publication in IEEE Transactions on Networking. This is the Author Accepted Manuscript

MITRE-SAGE: A Multi-Agent Cybersecurity Question-Answering Model

MITRE-SAGE：一种多智能体网络安全问答模型

Ali Habibzadeh, Farid Feyzi, Reza Ebrahimi Atani

机构 * University of Guilan（吉兰大学） 纠错

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

AI总结 针对网络安全领域LLM的不足，研究提出多智能体框架MITRE-SAGE，结合MITRE-QA基准验证其在多项网络安全问答任务中优于基线方法，轻量级配置表现突出。

Learning to Search: A Decision-Based Agent for Knowledge-Based Visual Question Answering

学习搜索：一种基于决策的知识增强视觉问答代理

Zhuohong Chen, Zhenxian Wu, Yunyao Yu, Hangrui Xu, Zirui Liao, Zhifang Liu, Xiangwen Deng, Pen Jiao, Haoqian Wang

机构 * Tsinghua University（清华大学） ； University of Arizona（亚利桑那大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 知识库问答 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)

AI总结 本文提出基于决策的KB-VQA代理，通过多步骤决策过程解决视觉问答问题，改进检索与推理整合，提升对稀有实体和长尾事实的处理能力。

Beyond Factual QA: Mentorship-Oriented Question Answering over Long-Form Multilingual Content

超越事实问答：面向长形式多语言内容的指导型问答

Parth Bhalerao, Ruiwen Guan, Diola Dsouza, Oana Ignat

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

AI总结 本文提出MentorQA，首个多语言长形式视频指导型问答数据集和评估框架，通过对比不同架构发现Multi-Agent在复杂和低资源语言中表现更优。

Kascade: A Practical Sparse Attention Method for Long-Context LLM Inference

Kascade：一种适用于长上下文LLM推理的实用稀疏注意力方法

Dhruv Deshmukh, Saurabh Goyal, Nipun Kwatra, Ramachandran Ramjee

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 Kascade是一种无需训练的稀疏注意力方法，通过锚定层计算Top-k索引并重用，实现长上下文LLM推理中的高效注意力处理。

Comments 11 pages, 8 figures, 3 tables and 1 algorithm

To Retrieve or To Think? Cross-Boundary Context Evolution for Multi-hop Complex Reasoning

是检索还是思考？一种情境演化的代理方法

Rubing Chen, Jian Wang, Wenjie Li, Xiao-Yong Wei, Qing Li

机构 * Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学） 纠错

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

AI总结 本文提出Agentic Context Evolution (ACE)方法，通过代理动态决策在检索与推理间切换，提升知识密集型任务的生成效率与准确性。

Comments Accepted by EMNLP 2026 Findings

post-graph-rag: A PostgreSQL-Native Bi-Temporal Graph RAG Engine with Temporal Grounding at Synthesis

post-graph-rag：一款原生PostgreSQL图检索增强生成引擎

Chandan Rajah

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.AI

AI总结 post-graph-rag是一款开源PostgreSQL原生图RAG引擎，解决现有图RAG的基础设施、图质量、时间累积问题，在三语料库对比中构建更优图且支持时间演化特性

Comments 31 pages, 6 figures, 15 tables

SimGuide: Typed Multi-Context User Representations for Preference-Conditioned Agent Planning

SIMGUIDE：用于个性化智能体规划的过程式基础多上下文表示

Chirag Shah

机构 * University of Washington（华盛顿大学） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract_cn)；分类 cs.AI

AI总结 本研究针对个性化AI智能体无法适配用户多场景优先级的问题，提出SIMGUIDE方法，构建SIMBENCH基准验证，发现过程式基础的Sims优于RAG，且表示格式是关键设计变量。

Comments Previous version had some results that were hard to verify or reproduce, so new experiments were done and many parts of the paper were changed to reflect that

Extending AI for Research to the Humanities: A Multi-Agent Framework for Evidence-Grounded Scholarship

将人工智能研究扩展到人文学科：一个用于证据基础学术的多智能体框架

Yating Pan, Jiajun Zhang, Jun Wang, Qi Su

机构 * Department of Information Management（信息管理系） ； Research Center for Digital Humanities（数字人文研究中心） ； School of Foreign Languages（外国语言学院） ； Institute for Artificial Intelligence（人工智能研究院） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 提出SPIRE多智能体框架，通过将人文学科操作建模为协作智能体角色，结合多尺度细读检索，实现基于证据的论证，在古典文献基准上优于现有方法。

Comments Accepted to the Main Conference of EMNLP 2026

CORE-T: COherent REtrieval of Tables for Text-to-SQL

CORE-T: 面向文本到SQL的表格连贯检索

Hassan Soliman, Vivek Gupta, Dan Roth, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（普适知识处理实验室（UKP实验室），计算机科学系 TU Darmstadt 和应用网络安全国家研究中心 ATHENE，德国） ； Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 图谱与结构化RAG ：dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出CORE-T框架，通过LLM生成元数据和预计算兼容性缓存，在无需训练的情况下从异构表集合中高效检索连贯可连接的表集合，提升表选择F1最多22.7点并减少40%的表数量。

Comments Accepted at EMNLP Main 2026. Camera-ready version with revisions following peer review. Code and data available at: this https URL (https://github.com/UKPLab/emnlp2026-core-t)

Towards Query-Agnostic RAG Evaluation via Query Coverage and Claim Verifiability

面向查询不可知的RAG评估：基于查询覆盖率与声明可验证性

Jeonghwan Choi, Taewon Yun, Minjeong Ban, Gyeonghun Sun, Jae-Gil Lee, Hwanjun Song

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

AI总结 本文提出Q-CARE框架，通过分解查询与答案实现RAG的细粒度评估，在8个数据集的基准测试中，其评估结果与人工判断的相关性优于现有4种RAG评估指标。

Comments Accepted to COLM 2026

INTRYGUE: Induction-Aware Entropy Gating for Reliable RAG Uncertainty Estimation

INTRYGUE：面向可靠RAG不确定性估计的诱导感知熵门控

Alexandra Kuleshova, Andrei Volodichev, Daria Kotova, Alexey Zaytsev

机构 * Applied AI Institute（应用人工智能研究所） 纠错

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

AI总结 本文提出INTRYGUE方法，通过诱导头激活模式门控预测熵，解决RAG中熵基不确定性估计的机械悖论问题，提升hallucination检测性能。

Comments Accepted to EMNLP 2026 (Main)

Controlled Evaluation of Graph and Multimodal Augmentation in RAG for Document Question Answering

多模态和图增强的检索增强生成（RAG）何时有用？文档问答的对照评估

Sokipriala Jonah, Opeoluwa Akinseloyin, Michael Ajao-Olarinoye, Abiola Babatunde

专题命中 RAG评测 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 研究文档问答中多模态和图增强RAG的作用，提出用多模态图-RAG架构，通过独立检索并融合文本、图和视觉证据源来评估效果。经实验发现其价值取决于多种因素，如检索设计等，还揭示了一些相关问题，如图像检索及生成器效率对结果的影响。

Comments 14 pages, 6 figures

Citation-Closure Retrieval and Per-Rule Attribution for Real-World Regulatory Compliance Question Answering

引用闭包检索与逐规则归因：面向真实世界法规合规问答

Yeong-Joon Ju, Seong-Whan Lee

机构 * Department of Artificial Intelligence, Korea University（韩国大学人工智能系） 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 针对法规合规问答中多层级权威结构的引用追踪难题，提出基于操作知识图谱的基准RegOps-Bench和统一框架RefWalk，通过共享主题锚点遍历跨文档引用、多视角候选融合及逐规则归因，显著提升检索召回率和引用准确性。

Comments Findings of EMNLP 2026