RAG / 检索增强生成

Machine Against the RAG: Jamming Retrieval-Augmented Generation with Blocker Documents

Avital Shafran, Roei Schuster, Vitaly Shmatikov

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

Comments To appear in USENIX Security Symposium 2025

RAG-DDR: Optimizing Retrieval-Augmented Generation Using Differentiable Data Rewards

Xinze Li, Sen Mei, Zhenghao Liu, Yukun Yan, Shuo Wang, Shi Yu, Zheni Zeng, Hao Chen, Ge Yu, Zhiyuan Liu, Maosong Sun, Chenyan Xiong

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

KiRAG: Knowledge-Driven Iterative Retriever for Enhancing Retrieval-Augmented Generation

Jinyuan Fang, Zaiqiao Meng, Craig Macdonald

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

Is Relevance Propagated from Retriever to Generator in RAG?

Fangzheng Tian, Debasis Ganguly, Craig Macdonald

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

Comments 18 pages (including reference), 5 figures, 1 table, 48 references; this paper has been accepted by ECIR'25 as a full paper

Plan*RAG: Efficient Test-Time Planning for Retrieval Augmented Generation

Prakhar Verma, Sukruta Prakash Midigeshi, Gaurav Sinha, Arno Solin, Nagarajan Natarajan, Amit Sharma

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

Comments 19 pages, preprint

Poison-RAG: Adversarial Data Poisoning Attacks on Retrieval-Augmented Generation in Recommender Systems

Fatemeh Nazary, Yashar Deldjoo, Tommaso di Noia

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

GEC-RAG: Improving Generative Error Correction via Retrieval-Augmented Generation for Automatic Speech Recognition Systems

Amin Robatian, Mohammad Hajipour, Mohammad Reza Peyghan, Fatemeh Rajabi, Sajjad Amini, Shahrokh Ghaemmaghami, Iman Gholampour

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

Comments 6 pages

RAG-WM: An Efficient Black-Box Watermarking Approach for Retrieval-Augmented Generation of Large Language Models

Peizhuo Lv, Mengjie Sun, Hao Wang, Xiaofeng Wang, Shengzhi Zhang, Yuxuan Chen, Kai Chen, Limin Sun

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

MBA-RAG: a Bandit Approach for Adaptive Retrieval-Augmented Generation through Question Complexity

Xiaqiang Tang, Qiang Gao, Jian Li, Nan Du, Qi Li, Sihong Xie

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

Comments COLING 2025

Leveraging Retrieval-Augmented Generation for Persian University Knowledge Retrieval

Arshia Hemmat, Kianoosh Vadaei, Mohammad Hassan Heydari, Afsaneh Fatemi

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

Comments 6 pages, 2 figures, 1 table, Submitted to 15th IKT conference

Quantifying reliance on external information over parametric knowledge during Retrieval Augmented Generation (RAG) using mechanistic analysis

Reshmi Ghosh, Rahul Seetharaman, Hitesh Wadhwa, Somyaa Aggarwal, Samyadeep Basu, Soundararajan Srinivasan, Wenlong Zhao, Shreyas Chaudhari, Ehsan Aghazadeh

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

Comments Accepted to Blackbox NLP @ EMNLP 2024

LA-RAG:Enhancing LLM-based ASR Accuracy with Retrieval-Augmented Generation

Shaojun Li, Hengchao Shang, Daimeng Wei, Jiaxin Guo, Zongyao Li, Xianghui He, Min Zhang, Hao Yang

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

Comments submitted to ICASSP 2025

GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems

Haowen Xu, Jinghui Yuan, Anye Zhou, Guanhao Xu, Wan Li, Xuegang Ban, Xinyue Ye

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

Mamba Retriever: Utilizing Mamba for Effective and Efficient Dense Retrieval

Hanqi Zhang, Chong Chen, Lang Mei, Qi Liu, Jiaxin Mao

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

SeaKR: Self-aware Knowledge Retrieval for Adaptive Retrieval Augmented Generation

Zijun Yao, Weijian Qi, Liangming Pan, Shulin Cao, Linmei Hu, Weichuan Liu, Lei Hou, Juanzi Li

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

RAG-RLRC-LaySum at BioLaySumm: Integrating Retrieval-Augmented Generation and Readability Control for Layman Summarization of Biomedical Texts

Yuelyu Ji, Zhuochun Li, Rui Meng, Sonish Sivarajkumar, Yanshan Wang, Zeshui Yu, Hui Ji, Yushui Han, Hanyu Zeng, Daqing He

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

DR-RAG: Applying Dynamic Document Relevance to Retrieval-Augmented Generation for Question-Answering

Zijian Hei, Weiling Liu, Wenjie Ou, Juyi Qiao, Junming Jiao, Guowen Song, Ting Tian, Yi Lin

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

RAG-Fusion: a New Take on Retrieval-Augmented Generation

Zackary Rackauckas

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

Comments 8 pages, 2 figures, 8 pages

Journal ref International Journal on Natural Language Computing (IJNLC) Vol.13, No.1, February 2024

A Triple-Robustness Analysis of Retrieval-Augmented Generation for Multi-Hop Requirements Traceability

检索增强生成在多跳需求可追溯性中的三重鲁棒性分析

Meftun Akarsu, Burak Özdemir, Doğancan Büyükçolak, Recep Kaan Karaman

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

AI总结 本文针对多跳需求可追溯性，开展三重鲁棒性分析，对比不同RAG架构、嵌入器等的表现，发现现有结论分歧的原因，提出需按该鲁棒性标准验证RAG架构主张。

Comments 6 pages, 3 figures, 4 tables

TriShieldRAG: A Three-Ring Defense-in-Depth Framework Against Knowledge Corruption in Retrieval-Augmented Generation

TriShieldRAG：一种针对检索增强生成中知识腐败的三环深度防御框架

Susil Kumar Mohanty, Rohit Patel, Kosuru Yuvaraj, Jeenal Chaudhary, Disha Singhania

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

AI总结 研究针对检索增强生成中知识腐败问题，构建TriShieldRAG框架，设置摄取防护、检索评分器和跨语言模型共识阶段三个环，推导环2和环3起作用的条件，评估表明该框架能大幅降低攻击成功率并保持良性查询准确性。

From Evidence to Trajectory: Abductive Reasoning Path Synthesis for Retrieval-Augmented Generation Agents Development

从证据到轨迹：用于检索增强生成智能体开发的溯因推理路径合成

Muzhi Li, Jinhu Qi, Yihong Wu, Minghao Zhao, Liheng Ma, Yifan Li, Xinyu Wang, Zhenghan Tai, Zixing Song, Yingxue Zhang, Ho-fung Leung, Irwin King

机构 * The Chinese University of Hong Kong, Sha Tin, NT, Hong Kong（香港中文大学） ； Université de Montréal, Montréal, Quebéc, Canada（蒙特利尔大学） ； McGill University, Montréal, Quebéc, Canada（麦吉尔大学） ； Mila - Quebéc AI Institute, Montréal, Quebéc, Canada（魁北克AI研究院） ； Huawei Noah’s Ark Lab, Montréal, Quebéc, Canada（华为诺亚实验室） 纠错

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

AI总结 针对检索增强生成智能体开发缺乏可执行轨迹问题，提出EviPath范式，通过溯因子任务规划、忠实子问题回答、对话微调三个阶段合成推理路径，实验表明基于此训练的模型在开放域问答中显著优于基线。

Comments KDD 2026 Research Track

Healthier LLMs: Retrieval-Augmented Generation for Public Health Question Answering

更健康的语言模型：用于公共卫生问答的检索增强生成

Felix Feldman, Joshua Harris, Timothy Laurence, Leo Loman, Ollie Higgins, Fan Grayson, Poonam Soma, Bethany Pace-Bonello, Michael Borowitz, Toby Nonnenmacher

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

AI总结 研究针对大型语言模型在公共卫生问答受幻觉等限制的问题，采用检索增强生成方法，通过扩展基准并系统评估检索与生成选择，比较多种检索方式，引入评判方法，突出检索对可靠公共卫生问答的作用并提供实用指导。

Comments 19 Pages, 14 Main Text Pages, 6 Figures

Next-Gen Sponsored Search: Crafting the Perfect Query with Inventory-Aware RAG (InvAwr-RAG) Based GenAI

下一代赞助搜索：基于库存感知检索增强生成式人工智能（InvAwr-RAG）打造完美查询

Md Omar Faruk Rokon, Weizhi Du, Zhaodong Wang, Musen Wen

机构 * Walmart AdTech（沃尔玛广告科技） 纠错

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

AI总结 研究电商赞助搜索中为给定查询识别相关关键词的挑战，引入基于库存感知检索增强生成式人工智能模型，结合多种查询提升相关性和用户参与度，初步结果显示填充率等显著提升。

Comments Published in eCom@SIGIR 2024

One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG

一次检索覆盖所有：基于共现感知的知识库重组用于会话级RAG

Shivam Ratnakar, Yixuan Zhu, Cecilia Cheng, Chaya Vijayakumar

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 针对会话级信息需求，提出基于共现聚类的知识库离线重组和查询时扩展检索候选的方法，将单次查询会话覆盖率从41%提升至58%，并压缩知识库至原大小的20%。

Comments Accepted to the Towards Knowledgeable Foundation Models (KnowFM) Workshop at ACL 2026

Generalizing Graph Foundation Models via Hyperbolic Retrieval-Augmented Generation

通过双曲检索增强生成泛化图基础模型

Yifan Jin, Qirui Ji, Bin Qin, Jiangmeng Li, Lixiang Liu, Fuchun Sun, Changwen Zheng

机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出双曲检索增强生成框架，通过双曲空间索引树状外部知识库并多粒度检索，解决图基础模型分布偏移下的泛化问题。

Comments Accepted by KDD2026

The Coverage Illusion: From Pre-retrieval Routing Failure to Post-retrieval Cascades in a Production RAG System

覆盖幻觉：从检索前路由失败到生产RAG系统中的检索后级联

Zafar Hussain, Kristoffer Nielbo

机构 * Aarhus University（奥胡斯大学） 纠错

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

AI总结 本文通过丹麦国家百科全书的案例研究，发现合成查询高估了LLM增强的需求（覆盖幻觉），并提出一种检索后级联策略，按成本递增顺序执行工作流，仅在无结果时升级到LLM增强，从而在无需训练开销的情况下提升质量并降低延迟。

Mask-to-Correct$^+$: Leveraging Retriever Diversity for Masking-guided Faithful Fact Correction

Mask-to-Correct$^+$: 利用检索器多样性进行掩码引导的忠实事实修正

Payel Santra, Lavisha Sharma, Madhusudan Ghosh, Partha Basuchowdhuri

机构 * Indian Association for the Cultivation of Science（印度科学培养协会） 纠错

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

AI总结 本研究提出Mask-to-Correct$^+$框架，通过利用检索器多样性来改进掩码引导的事实修正，通过结合多个检索器的修正结果以减少检索偏差并提高鲁棒性，实验表明其在多个基准数据集上均优于现有方法，SARI得分提升达14%。

ALDEN: Boosting Private Data Extraction from Retrieval-Augmented Generation Systems via Active Learning and Distribution Estimation

ALDEN: 通过主动学习和分布估计提升从检索增强生成系统中提取私有数据

Xingyu Lyu, Jianfeng He, Ning Wang, Yidan Hu, Tao Li, Danjue Chen, Shixiong Li, Yimin Chen

机构 * University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校） ； Virginia Tech（弗吉尼亚理工大学） ； Amazon（亚马逊） ； University of South Florida（佛罗里达州立大学） ； Rochester Institute of Technology（罗切斯特理工学院） ； Purdue University（普渡大学） ； North Carolina State University（北卡罗来纳州立大学） 纠错

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

AI总结 本文提出ALDEN方法，通过主动学习和分布估计有效提升从检索增强生成系统中提取私有数据的效率和效果，通过全面评估证明其优于现有方法。

Towards Dependable Retrieval-Augmented Generation Using Factual Confidence Prediction

迈向通过事实可信度预测的可靠检索增强生成

Florian Geissler, Francesco Carella, Laura Fieback, Jakob Spiegelberg

机构 * Fraunhofer Institute for Cognitive Systems (IKS), Munich, Germany（弗劳恩霍夫认知系统研究所（IKS），德国慕尼黑） ； Volkswagen AG, Wolfsburg, Germany（大众集团，德国沃尔夫斯堡） 纠错

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

AI总结 本文提出通过事实可信度预测改进检索增强生成系统，采用符合预测选择高可信检索片段和基于注意力的事实性分类器检测不一致答案，提升生成答案的可靠性。

RADIANT-LLM: an Agentic Retrieval Augmented Generation Framework for Reliable Decision Support in Safety-Critical Nuclear Engineering

RADIANT-LLM：一种用于安全关键核工程中可靠决策支持的代理检索增强生成框架

Zavier Ndum Ndum, Jian Tao, John Ford, Mansung Yim, Yang Liu

机构 * Department of Nuclear Engineering, Texas A\&M University, College Station, TX, USA ； College of Performance, Visualization ； Fine Arts, Texas A\&M University, College Station, TX, USA 纠错

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

AI总结 本文提出RADIANT-LLM框架，通过多模态检索增强生成技术，结合领域知识库和代理层，提升核工程中的决策支持准确性与透明度，降低幻觉风险。