RAG / 检索增强生成

MA-RAG: Multi-Agent Retrieval-Augmented Generation for Query-Driven Summarization of Longitudinal Parkinson's Disease Assessments

MA-RAG：用于帕金森病纵向评估查询驱动式摘要的多智能体检索增强生成框架

Sana Alamgeera, Denise Goberta, Muhammad Irshad, Anne H. H. Ngu

机构 * Texas State University（德克萨斯州立大学） 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LLMs解读帕金森病纵向临床评估时的事实与时间一致性问题，提出MA-RAG多智能体检索增强生成框架，经评估其事实精度大幅提升、幻觉率显著降低，获临床专家高度认可。

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。

Configurable Semantic Chunking for Biomedical Information Extraction in Retrieval-Augmented Generation

用于检索增强生成中生物医学信息抽取的可配置语义分块

Riya Ahuja, Tim Kacprowski, Roya Shiasi Sardoabi

机构 * Institute of Data Science in Biomedicine, Technische Universität Braunschweig（布伦瑞克工业大学生物医学数据科学研究所） 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

AI总结 针对 BioMedRAG 固定大小分块割裂语义证据的问题，提出可配置语义分块框架，替换其分块构建阶段，在 GM-CIHT 上 F1 值提升 8.4 个百分点，为生物医学 RAG 提供可解释适配方案。

Comments 9 pages, 7 tables

AgenticRag-R1: Agentic Reinforcement Learning with Stack Memory for Multi-Step Reasoning, Retrieval and Memorizing

AgenticRag-R1：用于多步推理、检索与记忆的带栈式记忆的智能体强化学习

Xinke Jiang, Yue Fang, Zhibang Yang, Jiaran Gao, Zhixin Zhang, Tao Feng, Rihong Qiu, Wentao Zhang, Hongxin Ding, Ruizhe Zhang, Yongxin Xu, Yuheng Huang, Xu Chu, Junfeng Zhao, Yasha Wang

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

AI总结 针对现有智能体RAG方法的奖励分配弱、偏向短程推理等问题，提出AgenticRag-R1框架，通过记忆栈等实现长程学习，在多类基准上性能优于强基线。

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

Detecting and Repairing Hallucinations in Retrieval-Augmented Generation

检测与修复检索增强生成中的幻觉现象

Sai Krishna Reddy Mulakkayala, Niki van Stein, Aske Plaat

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

AI总结 本研究针对检索增强生成（RAG）的幻觉问题，借助RAGTruth基准数据集，对比三种修复策略的效果，发现策略在依据保留权衡上各有侧重，需依据答案有用性选择。

Comments 15 pages, 3 figures, 7 tables. Submitted to BNAIC/BeNeLearn 2026 as a Type A paper

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: https://github.com/ln-one/dense-expands-sparse-anchors

InsightToast: Proactive Information Retrieval & Glanceable Visualization in the Side Channel of Data-Rich Meetings

InsightToast：数据密集型会议侧信道中的主动信息检索与概览式可视化

Mohammad Abolnejadian, Matthew Brehmer

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 该研究提出InsightToast应用，可实时监控会议对话并主动检索信息生成见解，16人对比研究显示其能帮助参与者在维持对话的同时做出明智政策决策。

Comments 16 pages, 7 figures, 2 tables. To appear in the Proceedings of the 39th Annual ACM Symposium on User Interface Software and Technology (UIST '26)

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。

Learning from What You Retrieve: Online RL Fine-Tuning for Semantic Retrieval

从检索内容中学习：面向语义检索的在线强化学习微调

Shaowei Wei, Chong Huang, Songtao Fang, Jin Zhang, Zhuojun Wang, Chengfu Huo

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

AI总结 针对电商检索中双编码器与重排器的目标不匹配问题，提出PAO选择性RL优化方法，在冻结文档索引下提升检索性能且优于标准RL与蒸馏基线。

E-SENS: Exclusion-Sensitive Penalization for Negative-Constraint Retrieval

E-SENS：面向负约束检索的排除敏感惩罚

Yerang Kim, Jiyoon Myung, Joohyung Han

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

AI总结 针对检索增强语言模型无法遵守负约束的问题，提出无需训练的重排序方法E-SENS，在ExcluIR数据集的四种嵌入模型上，于保留召回的同时减少了陷阱检索。

Spatial Matryoshka Training for Multi-Granularity Visual Document Retrieval

面向多粒度视觉文档检索的空间嵌套训练

Trishan Singha Roy, Arkadeep Acharya, Vishwajeet Kumar, Jaydeep Sen, Sachindra Joshi

机构 * IBM（国际商业机器公司） 纠错

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

AI总结 针对视觉文档检索的多模态晚期交互检索器存储成本高、压缩级别固定的问题，提出ColSNAP训练方法，可生成嵌套压缩层级，实现灵活的精度-存储权衡，大幅压缩下仍保持检索性能并可迁移至多类骨干网络。

ASTRA - Agentic System for Ticket Resolution and Analysis

ASTRA — 用于工单解决与分析的智能体系统

Shashidhar Reddy Javaji, Mohamed Trabelsi, Jin Cao, Huseyin Uzunalioglu

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

AI总结 提出 ASTRA 智能体系统，通过协调三类专业智能体与优化循环生成证据支持的工单排查报告，在 987 个电信故障工单上取得 4.13/5.0 的平均质量得分，硬件故障诊断存在文本证据渠道的根本局限。

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)

OntoAligner-Ensemble: Voting-Based Fusion across Heterogeneous Ontology Alignment Techniques

OntoAligner-Ensemble：基于投票的异构本体对齐技术融合

Hamed Babaei Giglou, Sören Auer, Peio Popov, Mahsa Sanaei, Jennifer D'Souza

机构 * TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心） ； L3S Research Center, Leibniz University of Hannover（汉诺威莱布尼茨大学L3S研究中心） ； Graphwise ； University of Tabriz（大不里士大学） 纠错

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

AI总结 该研究提出OntoAligner-Ensemble框架，通过两阶段投票融合策略整合异构OA对齐器，经OAEI八任务验证，可提升精确率-召回率平衡，为OA提供实用集成选择指导。

Comments 14 pages, 1 figure, accepted for OM-2026 workshop at ISWC 2026

When Does Bigger Help? A Controlled Study of LLM Scale for Ontology Learning

更大的模型何时有用？针对本体学习的大语言模型规模的对照研究

Hamed Babaei Giglou, Sören Auer, Jennifer D'Souza

机构 * TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学与技术信息中心（TIB）） ； L3S Research Center（L3S研究中心） ； Leibniz University of Hannover（汉诺威莱布尼茨大学） 纠错

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

AI总结 该研究对照评估13个LLM后发现，模型规模并非本体学习的充分选择标准，架构和系列影响更大，为LLM辅助本体工程提供实证指导。

Comments 14 pages, 1 figure, and 5 tables. WOP 2026 workshop at ISWC 2026

Annotated Surrogate Retrieval for Polish Statutory Law

用于波兰成文法的带注释代理检索

Orkun Yiğit Cengiz

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

AI总结 该研究提出基于文档代理的波兰成文法检索方法（ASCR、ASCR-H、DTF），在法律考试问题数据集上验证，ASCR-H排名1准确率达72.3%，DTF在排名20时领先且成本更低，同时公开了相关基准数据。

Comments 16 pages, 5 figures, 5 tables. Code and data: https://github.com/OryCore/Research

SearchWiki: Learning to Build and Navigate Knowledge Wikis for Active Information Seeking

SearchWiki：学习构建与导航知识Wiki以支持主动信息检索

Guransh Singh, Vishwajeet Kumar, Arkadeep Acharya, Adnan Qidwai, Jaydeep Sen, Sachindra Joshi

机构 * IBM（国际商业机器公司） 纠错

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

AI总结 该研究提出SearchWiki框架，将语料库合成分层可导航Wiki，训练WikiResearcher-9B智能体经强化学习优化导航策略，在多基准测试中表现优于同规模模型，证实结构化语料库学习式导航优于扁平检索。

Efficient GPU Retrieval for Semantic Search

面向语义搜索的高效GPU检索

Dhritiman Das, Chujie Zheng, Ronak Kaoshik, Pratik Dixit, Vishal Shah, Yanbo Li, Jiahao Xu, Manika Agarwal, Chinmay Naik, Lingyu Zhang, Chetan Bhole, Chirag Bhanuprasad Mehta, Meng Zheng, Puneet Singh Ahluwalia, Shirisha Singh, Ping Jin, Manas Apte, Gokulraj Mohanasundaram, Tugrul Bingol, Raghavan Muthuregunathan, Fedor Borisyuk

机构 * LinkedIn（领英） 纠错

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

AI总结 针对领英语义搜索的瓶颈问题，提出策略对齐的GPU检索框架，经实验在多维度指标上显著提升搜索相关性与效率。

Comments 14 pages, 1 figure, 13 tables

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