RAG / 检索增强生成

Mind the Hook: Source-Level Auditing of Privacy Defenses in Retrieval-Augmented Generation

注意钩子：检索增强生成中隐私防御的源级审计

Yanhang Li, Zhichao Fan, Zexin Zhuang

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

AI总结 该研究针对RAG的黑盒隐私分数解读难题，提出活跃路径审计方法，通过梳理源级钩子、映射泄漏通道、金丝雀验证，复现分析DP与LPRAG防御的隐私效果，贡献方法论与案例研究。

Comments 6 pages, 1 figure. Accepted as a regular paper at the 25th IEEE International Conference on Machine Learning and Applications (ICMLA 2026)

When Safety Becomes a Vulnerability: Exploiting LLM Alignment Homogeneity for Transferable Blocking in RAG

当安全成为漏洞：利用LLM对齐同质性进行可转移阻塞在RAG中

Junchen Li, Liang Xu, Qizhi Chen, Rongzheng Wang, Chao Qi, Shihao He, Di Liang, Haibo Shi, Shuang Liang

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

AI总结 TabooRAG通过利用LLM对齐同质性，在黑盒环境下实现跨模型的可转移阻塞攻击，针对安全对齐机制提出新型攻击框架。

Comments Expanded the scale of the experimental evaluation

Mapping and Comparing Climate Equity Policy Practices Using RAG LLM-Based Semantic Analysis and Recommendation Systems

利用基于 RAG LLM 的语义分析和推荐系统映射和比较气候公平政策实践

Seung Jun Choi

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

AI总结 本文利用基于RAG LLM的语义分析和推荐系统，研究气候公平政策实践的比较与映射，揭示规划领域在AI时代的核心职责与政策趋势。

Chronofy: A Temporal-Logical Decay Architecture for Information Validity in Time-Aware Retrieval-Augmented Generation

Chronofy：一种用于时间感知检索增强生成中信息有效性的时态逻辑衰减架构

Muntaser Syed, Marius Silaghi, Sheikh Abujar, Sharun Akter

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

AI总结 研究针对RAG系统中因未考虑时间来源导致的时间幻觉问题，提出Chronofy三层神经符号框架，通过嵌入时间有效性到表示、检索和推理层，经实验验证该框架能提高检索精度、减少幻觉并启用数据重新获取触发机制。

EvidentialRAG: Quantifying and Mitigating Information Conflict in Multi-Source Retrieval-Augmented Generation via Evidential Deep Learning

证据RAG：通过证据深度学习量化和缓解多源检索增强生成中的信息冲突

S M Asif Hossain, Ruksat Khan Shayoni, M. F. Mridha

机构 * School of Computing, Wichita State University（威奇托州立大学计算学院） ； Department of Computer Science, American International University-Bangladesh（美国国际孟加拉大学计算机科学系） 纠错

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

AI总结 研究多源检索增强生成中信息冲突问题，提出ERAG框架，通过将检索块转换为概率证据、用轻量级评估器和融合规则处理不确定性，实验表明该框架在标准问答有竞争力，在冲突情况下行为改善，是可信信息处理实用机制。

Development of a Retrieval-Augmented Generation Virtual Assistant for Enhanced Information Discovery at Rubin Observatory

开发用于鲁宾天文台增强信息发现的检索增强生成虚拟助手

Leanne P. Guy, Connor Yablonski, Aaron M. Meisner, Guillem Megias Homar, Merlin Fisher-Levine, Eman E. Ali, Tiger J. Hu, Christopher W. Stubbs

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

AI总结 针对鲁宾天文台数据及文档分散、信息难定位问题，探索用检索增强生成（RAG）改进信息发现，构建基于RAG的虚拟助手，整合多源材料，经多工具实现语义搜索，提升信息获取准确性等。

Comments 15 pages, 2 figures, SPIE AS113: Observatory Operations, Copenhagen 2026

Evaluating Chunking Strategies for Retrieval-Augmented Generation on Academic Texts

评估学术文本中检索增强生成的文本分块策略

Valentin J. J. Kreileder, Johannes Reisinger, Andreas Fischer

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

AI总结 研究在检索增强生成系统中，基于聚类的语义分块是否优于固定大小和递归分块，通过RAGAs框架在长结构化学术论文上评估检索和答案质量，发现聚类分块未超越简单策略。

KidnapRAG: A Black-Box Attack for Hijacking Reasoning in Agentic Retrieval-Augmented Generation Systems

KidnapRAG：针对代理式检索增强生成系统中推理劫持的黑盒攻击

Chanwoo Choi, Euntae Kim, Kyuho Lee, Youngsam Chun, Jinhee Jeong, Eunmi Kim, Myunggyo Oh, Junseo Jang, Buru Chang

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

AI总结 提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。

Comments Preprint

PIXELRAG: Web Screenshots Beat Text for Retrieval-Augmented Generation

PIXELRAG：网页截图在检索增强生成中优于文本

Yichuan Wang, Zhifei Li, Zirui Wang, Paul Teiletche, Lesheng Jin, Matei Zaharia, Joseph E. Gonzalez, Sewon Min

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

AI总结 提出PixelRAG方法，以网页截图替代文本进行检索和阅读，利用视觉嵌入模型和对比学习，在30M截图库上实现端到端RAG，在多项任务中优于文本基线，准确率提升最高18.1%，并通过图像压缩降低3倍token成本。

Comments Our code is available at https://github.com/StarTrail-org/PixelRAG

Visual Retrieval-Augmented Generation for Silhouette-Guided Animal Art

视觉检索增强生成：基于轮廓引导的动物艺术创作

Quoc-Duy Tran, Anh-Tuan Vo, Trung-Nghia Le

机构 * University of Science, VNU-HCM（胡志明市国立大学理科大学） ； Vietnam National University, Ho Chi Minh（胡志明市国立大学） 纠错

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

AI总结 提出视觉检索增强生成（Visual-RAG）框架，通过检索与自然轮廓结构相似的动物形状，结合ControlNet和IP-Adapter引导扩散模型生成动物艺术，实现计算空想性视错觉。

Comments SOICT 2025

Benchmarking Knowledge-Extraction Attack and Defense on Retrieval-Augmented Generation

检索增强生成的知识提取攻击与防御基准测试

Zhisheng Qi, Utkarsh Sahu, Li Ma, Haoyu Han, Ryan Rossi, Franck Dernoncourt, Mahantesh Halappanavar, Nesreen Ahmed, Yushun Dong, Yue Zhao, Yu Zhang, Yu Wang

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

AI总结 提出首个针对RAG系统知识提取攻击的系统性基准，涵盖多种攻击/防御策略、检索嵌入模型、生成器及数据集，在统一框架下评估，为隐私保护RAG系统提供实用基础。

Comments 12 pages. Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026), Dataset and Benchmark Track, Oral Presentation

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 26), August 09-13, 2026, Jeju Island, Republic of Korea. ACM, New York, NY, USA, 12 pages

A Retrieval-Augmented Generation Approach to Extracting Algorithmic Logic from Neural Networks

一种基于检索增强生成的方法用于从神经网络中提取算法逻辑

Waleed Khalid, Dmitry Ignatov, Radu Timofte

机构 * Computer Vision Lab, CAIDAS, University of Würzburg, Germany（计算机视觉实验室，CAIDAS，乌尔姆大学，德国） 纠错

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

AI总结 本文提出NN-RAG方法，通过检索增强生成技术从神经网络代码库中提取并验证模块，实现了跨仓库的架构迁移与重复检测，提升了神经网络架构的可复现性和多样性。

When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation

当良好的OCR不够：为检索增强生成系统评估OCR鲁棒性

Lin Sun, Wang Dexian, Jingang Huang, Linglin Zhang, Change Jia, Zhengwei Cheng, Xiangzheng Zhang

机构 * Beijing Qiyuan Technology（北京启元科技） 纠错

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

AI总结 本文提出一个针对工业RAG系统的OCR基准，涵盖11种挑战性文档类型，揭示传统OCR指标无法准确衡量真实场景下的RAG性能，指出结构和语义错误会导致检索失败，且该问题在不同类别中表现不同。

PRAG: End-to-End Privacy-Preserving Retrieval-Augmented Generation

PRAG：端到端隐私保护检索增强生成

Zhijun Li, Minghui Xu, Huayi Qi, Wenxuan Yu, Tingchuang Zhang, Qiao Zhang, GuangYong Shang, Zhen Ma, Xiuzhen Cheng

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

AI总结 PRAG提出一种端到端隐私保护的检索增强生成系统，通过双模式架构在不牺牲云托管RAG可扩展性的情况下实现文档和查询的端到端保密性，实验显示其在大规模数据集上具有竞争力的召回率和抗攻击能力。

Comments 16 pages,6 figures, journal

CubeGraph: Efficient Retrieval-Augmented Generation for Spatial and Temporal Data

CubeGraph：面向空间和时间数据的高效检索增强生成

Mingyu Yang, Wentao Li, Wei Wang

机构 * University of Leicester（利兹大学） 纠错

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

AI总结 CubeGraph通过整合向量搜索与任意空间约束，解决传统方法在处理高维向量相似性搜索与时空过滤时的碎片化问题，提升查询性能和扩展性。

Comments Updated Report

Fine-tune the Entire RAG Architecture (including DPR retriever) for Question-Answering

Shamane Siriwardhana, Rivindu Weerasekera, Elliott Wen, Suranga Nanayakkara

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

Comments for associated code, see https://github.com/huggingface/transformers/tree/master/examples/research_projects/rag-end2end-retriever

RAG-VisualRec: An Open Resource for Vision- and Text-Enhanced Retrieval-Augmented Generation in Recommendation

RAG-VisualRec: 一种面向电影领域的视觉与文本增强的检索增强生成推荐开放资源

Ali Tourani, Fatemeh Nazary, Yashar Deldjoo

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

AI总结 本文提出RAG-VisualRec，通过结合LLM生成的项目描述和剪辑生成的视觉嵌入，提升多模态推荐系统的检索与生成能力，通过可配置融合策略和质量控制模块提高推荐效果和可复现性。

Comments 30 pages, 9 figures, 7 tables

EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval

EHRAG：通过混合超图构建与检索弥合语义鸿沟的轻量级图RAG

Yifan Song, Xingjian Tao, Zhicheng Yang, Yihong Luo, Jing Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。

Comments Accepted by Findings of ACL2026

CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment

CrisiSense-RAG：面向快速灾害影响评估的多模态检索增强生成系统

Yiming Xiao, Kai Yin, Ali Mostafavi

机构 * Zachry Department of Civil ； Environmental Engineering, Texas A\&M University ； Department of Computer Science ； Engineering, Texas A\&M University 纠错

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

AI总结 本文提出CrisiSense-RAG系统，通过多模态检索增强生成技术，解决灾害影响评估中时空不对齐问题，实现零样本设置下的高精度灾害评估。

Comments 27 pages, 4 figures

CoCR-RAG: Enhancing Retrieval-Augmented Generation in Web Q&A via Concept-oriented Context Reconstruction

CoCR-RAG：通过面向概念的上下文重建提升Web问答中的检索增强生成

Kaize Shi, Xueyao Sun, Qika Lin, Firoj Alam, Qing Li, Xiaohui Tao, Guandong Xu

机构 * University of Southern Queensland（昆士兰大学） ； University of Technology Sydney（新南威尔士大学） ； The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； The Education University of Hong Kong（香港教育大学） 纠错

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

AI总结 本文提出CoCR-RAG框架，通过语言学基础的概念级整合解决多源信息融合问题，提升问答系统事实一致性与知识密度。

Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track

TREC 2025检索增强生成（RAG）赛道概述

Shivani Upadhyay, Nandan Thakur, Ronak Pradeep, Nick Craswell, Daniel Campos, Jimmy Lin

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

AI总结 TREC 2025 RAG赛道通过多句叙述查询和多层次评估框架，推动检索增强生成系统的可信与上下文感知创新。

Comments 21 pages, 8 figures, 13 tables

GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation

GAM-RAG：基于增益的记忆用于演化检索的检索增强生成

Yifan Wang, Mingxuan Jiang, Zhihao Sun, Yixin Cao, Yicun Liu, Keyang Chen, Guangnan Ye, Hongfeng Chai

机构 * Fudan University（复旦大学） 纠错

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

AI总结 GAM-RAG通过动态更新检索记忆提升检索增强生成的性能，减少计算成本，提高推理效率。

DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation

DA-RAG：动态属性社区搜索用于检索增强生成

Xingyuan Zeng, Zuohan Wu, Yue Wang, Chen Zhang, Quanming Yao, Libin Zheng, Jian Yin

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

AI总结 DA-RAG通过动态属性社区搜索提升检索增强生成的效果，有效处理动态复杂查询，减少计算与经济成本。

DF-RAG: Query-Aware Diversity for Retrieval-Augmented Generation

DF-RAG：基于查询的多样性检索增强生成

Saadat Hasan Khan, Spencer Hong, Jingyu Wu, Kevin Lybarger, Youbing Yin, Erin Babinsky, Daben Liu

机构 * George Mason University（乔治·马歇尔大学） ； Capital One 纠错

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

AI总结 DF-RAG通过在检索阶段引入多样性，提升复杂推理问答任务的F1性能，相比传统RAG提升了4-10个百分点，并接近Oracle上限的91.3%

Comments Accepted to Findings of EACL 2026

RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation

RAG-GFM：通过检索增强生成克服图基础模型中的内存瓶颈

Haonan Yuan, Qingyun Sun, Jiacheng Tao, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering（计算机科学与工程学院） ； Beihang University（北航） ； Guangxi Normal University（广西师范大学） 纠错

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

AI总结 RAG-GFM通过检索增强生成方法，解决图基础模型中的内存瓶颈问题，提升模型的效率和效果。

Comments Accepted by the Web Conference 2026 (Research Track)

SD-RAG: A Prompt-Injection-Resilient Framework for Selective Disclosure in Retrieval-Augmented Generation

SD-RAG：一种抗提示注入的框架，用于检索增强生成中的选择性披露

Aiman Al Masoud, Marco Arazzi, Antonino Nocera

机构 * Department of Electrical, Computer and Biomedical Engineering（电气、计算机与生物医学工程系） ； University of Pavia（帕维亚大学） 纠错

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

AI总结 SD-RAG通过在检索阶段应用净化和披露控制，提升检索增强生成中的隐私保护和抗提示注入能力。

Orion-RAG: Path-Aligned Hybrid Retrieval for Graphless Data

Orion-RAG：无图数据的路径对齐混合检索

Zhen Chen, Weihao Xie, Peilin Chen, Shiqi Wang, Jianping Wang

机构 * City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Orion-RAG通过低复杂度路径提取方法，有效处理碎片化数据，实现跨文件信息链接，并在FinanceBench上取得25.2%的精度提升。

Integrating Domain Knowledge for Financial QA: A Multi-Retriever RAG Approach with LLMs

在金融问答中整合领域知识：一种基于多检索器RAG方法与LLM的多检索器RAG方法

Yukun Zhang, Stefan Elbl Droguett, Samyak Jain

机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） ； Graduate School of Business Stanford University（商学院 斯坦福大学） 纠错

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

AI总结 本研究提出一种基于多检索器RAG方法与LLM的金融问答系统，通过领域知识训练提升数值推理能力，验证了领域特定训练在不同模型规模下的性能差异。

Bidirectional RAG: Safe Self-Improving Retrieval-Augmented Generation Through Multi-Stage Validation

双向RAG：通过多阶段验证实现安全的自我改进检索增强生成

Teja Chinthala

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 双向RAG通过多阶段验证实现安全的自我改进检索增强生成，提高了覆盖率并减少了文档数量，展示了RAG系统在严格验证下的可行性。

Comments 10 pages, 2 figures, 2 tables. 36 experiments across 4 datasets with 3 random seeds. Code available upon request

Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation

Cog-RAG: 基于认知的双超图主题对齐检索增强生成

Hao Hu, Yifan Feng, Ruoxue Li, Rundong Xue, Xingliang Hou, Zhiqiang Tian, Yue Gao, Shaoyi Du

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

AI总结 Cog-RAG通过双超图结构和主题对齐策略，提升检索增强生成的语义对齐与生成一致性。

Comments Accepted by AAAI 2026 main conference

Journal ref AAAI 2026