RAG / 检索增强生成

The Capacity of Private Information Retrieval with Partially Known Private Side Information

Yi-Peng Wei, Karim Banawan, Sennur Ulukus

专题命中 检索器与排序 ：retriever(abstract)

Comments Submitted to IEEE Transactions on Information Theory, November 2017

Black holes as mirrors: quantum information in random subsystems

Patrick Hayden, John Preskill

专题命中 检索器与排序 ：retriever(abstract)

Comments 18 pages, 2 figures. (v2): discussion of decoding complexity clarified

Journal ref JHEP 0709:120,2007

Optimally adapted multi-state neural networks trained with noise

R. Erichsen, W. K. Theumann

专题命中 检索器与排序 ：retriever(abstract)

Comments 22 pages, 5 figures, accepted for publication in PRE

Vector Search As Nearest Neighbor Matching: RAG-based Policy Learning in Causal Inference

向量搜索作为最近邻匹配：因果推断中基于检索增强生成（RAG）的策略学习

Masahiro Kato, Taka Kato

机构 * np-hard.co.jp（np-hard公司） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；vector search(title,abstract)；retrieval-augmented generation(abstract)

AI总结 研究提出基于检索增强生成（RAG）的策略学习一步法和两步法，两步法通过向量搜索等进行行动选择，还将两步法遗憾分解并界定，直接评估一步法为策略，把特定行动向量搜索与因果推断最近邻匹配相联系。

5ting at SemEval-2026 Task 8: Strong End-to-End Multi-Turn RAG via LLM-Based Reranking and Faithfulness Control

5ting在SemEval-2026任务8中：基于LLM重排序和忠实性控制的强端到端多轮RAG

Thien-Qua-T-Nguyen, Chi Hoang, Nguyen Tran, Tri Le, Khanh Truong, Chinh Trong Nguyen

机构 * University of Information Technology, Ho Chi Minh City, Vietnam（信息技术大学，胡志明市，越南） ； Vietnam National University Ho Chi Minh City, Ho Chi Minh City, Vietnam（越南胡志明市国家大学，胡志明市，越南） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval augmented generation(abstract)；retriever(abstract)；dense retrieval(abstract)

AI总结 提出5ting系统，结合BGE-M3稠密检索、FAISS索引、双查询合并检索和LLM重排序，通过角色分离生成约束于检索证据，解决多轮RAG中的上下文漂移和幻觉问题。

Cost-Aware Query Routing in RAG: Empirical Analysis of Retrieval Depth Tradeoffs

RAG中的成本感知查询路由：检索深度权衡的实证分析

Sanjay Mishra

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 提出CA-RAG框架，通过为每个查询选择最优的检索深度和生成配置组合，在保证答案质量的同时减少令牌成本和延迟。

Comments 13 pages , 18 figures , 8 tables

TurboVec: A Case Study in Cost-Efficient Private Retrieval for Enterprise RAG via Codebook-Oblivious Quantization

TurboVec：通过码本无关量化实现企业RAG成本高效私有检索的案例研究

Navnit Shukla, Kamal Pandey, Omsankar Tiwari

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 研究RAG系统向量检索层挑战，介绍基于TurboQuant的TurboVec开源向量索引。通过实验对比，表明TurboQuant在内存和召回率上有优势，TurboVec部署效果好，码本无关设计提升隐私性，不过存在单一数据集评估等局限。

RAG-based EEG-to-Text Translation Using Deep Learning and LLMs

基于深度学习和大语言模型的RAG EEG到文本翻译

Enrico Collautti, Xiaopeng Mao, Luca Tonin, Stefano Tortora, Sadasivan Puthusserypady

机构 * IAS-LAB, Department of Information Engineering, University of Padova（帕多瓦大学信息工程系IAS实验室） ； Padova Neuroscience Center（帕多瓦神经科学中心） ； Department of Health Technology, Technical University of Denmark（丹麦技术大学健康技术系） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种基于检索增强生成（RAG）的EEG到文本解码方法，结合EEG编码器、向量检索阶段和大语言模型，以提高句子级解码的准确性，并在ZuCo数据集上验证了其有效性。

Comments 6 pages, 2 figures. Submitted to the 2026 IEEE International Conference on Systems, Man, and Cybernetics

An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations

一种基于LLM-RAG的健康饮食指数指导的个性化食品推荐方法

Yibin Wang, Yanjie Yang, Grace Melo Guerrero, Rodolfo M. Nayga, Azlan Zahid

机构 * Department of Biological and Agricultural Engineering, Texas A&M AgriLife Research（生物与农业工程系，德克萨斯A&M农业生命研究） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出一种结合标准化营养数据库与大语言模型的LLM-RAG框架，通过健康饮食指数（HEI）指导实现个性化食品推荐，实验结果显示HEI平均提升6.45，用户HEI超过50的比例提升至61.26%。

SIFT: Selective-Index For Fast Compute of RAG Prefill by Exploiting Attention Invariance

SIFT: 利用注意力不变性实现RAG预填充快速计算的索引选择

Rya Sanovar, Srikant Bharadwaj, Hritvik Taneja, Moinuddin Qureshi

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Microsoft（微软） 纠错

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

AI总结 针对RAG查询中文档重复导致预填充计算冗余和TTFT增加的问题，提出SIFT方法，通过离线提取文档高注意力分数位置并利用注意力不变性，在预填充时仅计算标记位置，将TTFT提升1.71倍且精度损失在1%以内。

HypRAG: Hyperbolic Dense Retrieval for Retrieval Augmented Generation

HypRAG: 超几何密集检索用于检索增强生成

Hiren Madhu, Ngoc Bui, Ali Maatouk, Leandros Tassiulas, Smita Krishnaswamy, Menglin Yang, Sukanta Ganguly, Kiran Srinivasan, Rex Ying

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 本文提出超几何密集检索方法，通过在双曲空间中构建HyTE-FH和HyTE-H两种模型变体，解决传统欧几里得空间在检索增强生成中的局限性，提升文档相关性和回答相关性。

RaG-Tree: Combining R-Tree and HNSW for Multi-Attribute Range Filtered Approximate Nearest Neighbor Search

RaG-Tree：结合R树与HNSW的多属性范围过滤近似最近邻搜索

Jiawei Liu, Xiang Zhang, Chao Zhang, Ju Fan, Xiaoyong Du

专题命中 向量检索 ：RAG(title,title_cn)；分类 cs.DB

AI总结 本文提出RaG-Tree，一种结合R树与感知划分HNSW图的统一MR-ANNS索引，通过分层R树剪枝、适配局部分布的HNSW图及自适应搜索算法，在三个真实数据集上实现更优查询性能与轻量级索引、快速增量更新。

Comments 13 pages

RAG Deserves an Index: Why Ingest-Time Compilation Beats Query-Time Interpretation

检索增强生成（RAG）值得一个索引：为什么摄入时编译优于查询时解释

Kyle Wild, Yusuke Takahashi, Asako Uraki

机构 * Endgame Labs, Inc.（终局实验室公司） ； Asia AI Institute（亚洲人工智能研究院） ； Musashino University（武藏野大学） ； Faculty of Data Science, Musashino University（武藏野大学数据科学学院） ； AIx, Inc.（AIx公司） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；hybrid retrieval(abstract)；分类 cs.IR、cs.AI、cs.DB

AI总结 该研究提出摄入时语义编译（ISC）范式，将语料编译为可查询数据库对象，实验显示其检索效果优于传统RAG方法，增量更新成本更低，为RAG提供了索引化解决方案。

Comments Position paper. 6 pages, 2 figures, 2 tables

A Model Context Protocol Server for Astrophysical RAG: Unified Access to HI, Dwarf, Globular Cluster, IntZ, and ALPINE Kinematic Corpora with FAISS Semantic Search

用于天体物理RAG的模型上下文协议服务器：通过FAISS语义搜索统一访问HI、矮星系、球状星团、IntZ和ALPINE运动学语料库

David C. Flynn

专题命中 向量检索 ：RAG(title,title_cn)

AI总结 介绍EPS Research Astro-RAG MCP Server v2.3.0，可跨平台统一访问五个天体物理语料库。核心方法是用FAISS加速自然语言相似性搜索，贡献是提供多接口，实现多种功能且可公开部署、完全可重现。

Comments 10 Pages 3 Tables 1 figure

Qwen Goes Brrr: Off-the-Shelf RAG for Ukrainian Multi-Domain Document Understanding

Qwen 冰点来袭：面向乌克兰多领域文档理解的即用型RAG

Anton Bazdyrev, Ivan Bashtovyi, Ivan Havlytskyi, Oleksandr Kharytonov, Artur Khodakovskyi

机构 * National Technical University of Ukraine（乌克兰国家技术大学） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出一种基于RAG的多领域文档理解系统，通过上下文分块、问题感知密集检索与重排序及受限答案生成提升召回率和准确率。

Comments Accepted to The Fifth Ukrainian Natural Language Processing Conference (UNLP 2026)

SPI: Query-Depth-Adaptive Indexing for Streaming RAG in Vector Databases

SPI：向量数据库中流式RAG的查询深度自适应索引

Dong Liu, Yanxuan Yu

机构 * Yale University（耶鲁大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出语义金字塔索引（SPI），通过多级分辨率组织和不确定性感知控制器实现查询深度自适应，支持流式插入和渐进式ANN搜索，在MS MARCO和Natural Questions上相比基线实现1.4-2.3倍延迟降低。

CaGR-RAG: Context-aware Query Grouping for Disk-based Vector Search in RAG Systems

Yeonwoo Jeong, Kyuli Park, Hyunji Cho, Sungyong Park

专题命中 向量检索 ：RAG(title,abstract)；vector search(title,abstract)；retrieval augmented generation(abstract)

Semantic Entanglement in Vector-Based Retrieval: A Formal Framework and Context-Conditioned Disentanglement Pipeline for Agentic RAG Systems

向量检索中的语义纠缠：一种形式框架和上下文条件下的解缠管道用于智能RAG系统

Nick Loghmani

机构 * Salesforce ； School of Information Studies, Syracuse University（苏利文大学信息研究学院） 纠错

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

AI总结 本文提出了一种形式框架和上下文条件解缠管道，用于解决向量检索中因多主题文档交织导致的语义纠缠问题，通过改进文档结构提升检索精度。

Comments 34 pages, 5 Figures, 1 table

D-NOVA: In-Storage Retrieval Accelerator via Dual-Bound 3D NAND-Optimized Similarity Search with Vector Adaptation

D-NOVA：通过具有向量适配的双边界3D NAND优化相似性搜索实现存储内检索加速器

Chang Eun Song, Sumukh Pinge, Tianqi Zhang, Sung Eun Kim, Tajana S. Rosing, Mingu Kang

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 研究针对RAG密集向量检索性能瓶颈，提出软硬件协同设计的存储内检索加速器D-NOVA。通过深度嵌入搜索功能、采用新距离度量及引入适配器，实现高效检索，相比CPU和现有加速器有显著性能和能效提升，展现全存储向量搜索加速RAG的潜力。

Comments Accepted at the 59th IEEE/ACM International Symposium on Microarchitecture (MICRO 2026), Athens, Greece. Chang Eun Song and Sumukh Pinge are co-first authors and contributed equally

A Unified Benchmark for Privacy-preserving Vector Search

面向隐私保护的向量搜索统一基准

Anne-Marie Kermarrec, Rafael Pires, Mathis Randl, Martijn de Vos

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

AI总结 本文构建隐私保护向量搜索统一基准，在相同条件下对比SAP、EMVP等方案性能，明确各方案隐私与性能权衡关系，为从业者提供部署选择依据。

LSM-VEC: A Large-Scale Disk-Based System for Dynamic Vector Search

LSM-VEC：一种大规模磁盘基系统用于动态向量搜索

Shurui Zhong, Dingheng Mo, Siqiang Luo

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

AI总结 LSM-VEC结合分层图索引与LSM树存储，实现高效的动态向量搜索，支持出地更新，降低I/O开销，实验显示其在大规模数据集上优于现有磁盘基ANN系统。

Comments 12 pages, 8 figures

Evaluation of Chunking Strategies for Effective Text Embedding in Low-Resource Language on Agricultural Documents

对低资源语言农业文档中有效文本嵌入的分块策略评估

Sovandara Chhoun, Pichdara Po, Sereiwathna Ros, Wan-Sup Cho, Saksonita Khoeurn

机构 * Department of Big Data, Chungbuk National University, Cheongju-si, South Korea（大数据系， Chungbuk国立大学，韩国Cheongju市） ； Department of Computer Science, Chungbuk National University, Cheongju-si, South Korea（计算机科学系， Chungbuk国立大学，韩国Cheongju市） ； BigDataLabs Co., Ltd. Department of Management Information Systems, Chungbuk National University, South Korea（BigDataLabs公司 管理信息系， Chungbuk国立大学，韩国） 纠错

专题命中 向量检索 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；分类 cs.CL

AI总结 本研究比较了四种文本分块方法在Khmer农业文档中的性能，通过检索增强生成（RAG）框架评估分块策略对密集检索优化的影响，发现基于字符的递归分块方法在低资源语言中表现最佳。

Comments 11 pages, 1 figure

RACORN-1: Adaptive Recall-Preserving Speedup for Low-Selectivity Filtered Vector Search

RACORN-1: 面向低选择性过滤向量搜索的自适应保召回加速方法

Yoonseok Kim, Gyusik Choe

专题命中 向量检索 ：vector search(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR、cs.DB

AI总结 针对ACORN-1在低选择性下召回率崩溃的问题，提出RACORN-1，通过自适应搜索回退（ASF）利用过滤失败节点作为临时桥梁恢复连通性，并引入自适应精确回退（AEF）处理极低选择性场景，在保持高召回的同时实现9-26倍加速。

Comments 13 pages, 11 figures, 10 tables

InSituANN: Revisiting IVF for PCIe-Efficient Billion-Scale Vector Search

InSituANN：为PCIe高效的十亿级向量搜索重新审视IVF

Yuemeng Xu, Zongxi Liu, Junyu Long, Yiming Huang, Jiarui Guo, Yangyujia Wang, Jiachen Xu, Dongyuan Yu, Zongwei Lv, Tong Yang

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

AI总结 InSituANN是一种基于IVF的ANNS引擎，将基础向量存于主机内存、就地执行精细搜索，在单个商用GPU上实现十亿级向量搜索，大幅提升吞吐量并开源。

Comments 16 pages, 19 figures

Passing the Baton: High Throughput Distributed Disk-Based Vector Search with BatANN

传递火炬：高吞吐量分布式磁盘基向量搜索与BatANN

Nam Anh Dang, Ben Landrum, Ken Birman

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

AI总结 本文提出BatANN，一种基于磁盘的分布式近似最近邻搜索系统，通过在远程机器上执行查询以提升局部性，实现高吞吐量和低延迟的向量搜索。

Comments 14 pages, 16 figures, submitted to VLDB 2026

The Virtuous Cycle: AI-Powered Vector Search and Vector Search-Augmented AI

良性循环：AI驱动的向量搜索与向量搜索增强的AI

Jiuqi Wei, Quanqing Xu, Chuanhui Yang

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

AI总结 本文探讨了AI与向量搜索的协同优化，通过AI增强向量搜索和向量搜索增强AI，形成良性循环，提升智能信息系统的性能和能力。

IMRNNs: An Efficient Method for Interpretable Dense Retrieval via Embedding Modulation

IMRNNs: 一种通过嵌入调节实现可解释密集检索的高效方法

Yash Saxena, Ankur Padia, Kalpa Gunaratna, Manas Gaur

专题命中 向量检索 ：dense retrieval(title)；retrieval-augmented generation(abstract)；RAG(abstract)；retriever(abstract)

AI总结 IMRNNs通过动态嵌入调节提升密集检索的可解释性和检索效果

Comments Accepted in EACL 2026

MobileRAG: A Fast, Memory-Efficient, and Energy-Efficient Method for On-Device RAG

Taehwan Park, Geonho Lee, Min-Soo Kim

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

Comments 14 pages

TreeHop: Efficient Embedding-Level Query Rewriter

TreeHop：高效的嵌入层查询重写器

Zhonghao Li, Kunpeng Zhang, Jinghuai Ou, Shuliang Liu, Xuming Hu

专题命中 向量检索 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 TreeHop是一种无需LLM的嵌入层MHQA框架，通过精简循环降低计算开销，在四个开放域MHQA数据集上性能与先进RAG相当，参数仅为现有方案2.2%-29.4%，延迟降低92.8%-97.8%。

Comments 8 pages

Beyond Nearest Neighbors: Semantic Compression and Graph-Augmented Retrieval for Enhanced Vector Search

Rahul Raja, Arpita Vats

机构 * Boston University, Boston, USA（波士顿大学） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学） ； Stanford University, Palo Alto, USA（斯坦福大学） 纠错

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