SentinelRAG: Synthetic Sentinel Knowledge for RAG Database Copyright Protection
SentinelRAG：用于RAG数据库版权保护的合成哨兵知识
专题命中 图谱与结构化RAG ：RAG(title,title_cn)
AI总结 提出SentinelRAG水印框架，通过注入风格一致但虚构的知识条目保护RAG数据库版权，在0.1%注入率下实现统计显著检测（p<10^{-5}），并显著降低误检率。
AI 大模型
RAG / 检索增强生成
检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。
1. 图谱与结构化RAG 969 篇
Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation
具有双层引导的自描述结构数据：一种轻量级替代RAG的精确检索方法，用于大规模LLM知识导航
机构 * PARRAWA AI
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI
AI总结 本文提出SDSR框架，通过在文件中嵌入人类编写的导航元数据，利用LLM的优先级偏差，结合双层引导策略提升大规模知识检索的精确性。
Comments 18 pages, 6 figures, 7 tables
MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation
MegaRAG：基于多模态知识图谱的检索增强生成
机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） ； E.SUN Financial Holding Co., Ltd.（E.SUN财务公司）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval augmented generation(title)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI
AI总结 MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。
Comments ACL 2026
CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter
CFT-RAG：基于实体树的检索增强生成算法与 cuckoo 过滤器
机构 * Peking University（北京大学） ； Beihang University（北航）
专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(title)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)
AI总结 CFT-RAG通过改进的 cuckoo 过滤器优化树状RAG的实体定位，显著提升检索效率和生成质量。
CommunityKG-RAG: Leveraging Community Structures in Knowledge Graphs for Advanced Retrieval-Augmented Generation in Fact-Checking
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL
Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification
courtroom 风格多智能体辩论与渐进式 RAG 和角色切换用于争议性主张验证
机构 * Systems and Software Lab (SSL), Department of Computer Science and Engineering（系统与软件实验室（SSL），计算机科学与工程系）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出 PROClaim 框架，通过结构化对抗辩论和角色切换提升争议性主张验证的可靠性，实验显示其在 Check-COVID 数据集上准确率达 81.7%。
Comments Under review, 29 pages, 7 figures, 17 tables
RAG Strategies for Natural Language-Based SQL Query and REST API Call Generation
评估用于基于自然语言的SQL和API调用生成的检索增强生成变体
机构 * IU International University of Applied Sciences（国际应用科学大学）
专题命中 图谱与结构化RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 本文评估了三种RAG变体在生成SQL和API调用任务中的性能，发现CoRAG在混合文档环境下表现最佳，检索策略设计对自然语言接口至关重要。
Comments preprint of conference submission
Towards Trustworthy and Cost-Efficient Data Integration: From Naïve RAG to Agentic RAG
迈向可信且经济高效的数据集成：从朴素检索增强生成到智能体检索增强生成
机构 * Aalborg University, Denmark（丹麦奥胡斯大学） ； Bowling Green State University, USA（美国布恩威尔州立大学）
专题命中 图谱与结构化RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.AI、cs.DB
AI总结 探讨大语言模型和人工智能智能体在企业数据集成中面临的挑战，介绍从经典RAG到智能体RAG的演变，研究经济高效集成的优化策略，为构建可靠、可解释和可扩展的数据集成系统指明方向。
Comments To Appear in the IEEE Data Engineering Bulletin
Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning
基于强化学习的高效可迁移智能知识图谱检索增强生成
机构 * MIT CSAIL（麻省理工学院CSAIL） ； University of Virginia（弗吉尼亚大学） ； IBM Research（IBM研究院）
专题命中 图谱与结构化RAG ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 提出KG-R1框架，通过强化学习将单个智能体与知识图谱交互，统一检索、推理和生成过程，在KGQA基准上以更少生成token提升准确率，并展现跨图谱的零样本迁移能力。
When RAG Meets Query Planning: Logical Query Trees for Resolving Exploratory Reasoning Problems
当RAG遇见查询规划：用于解决探索性推理问题的逻辑查询树
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR
AI总结 针对检索增强生成在探索性推理问题中的检索噪声和错误累积问题，提出PlanRAG框架，将自然语言建模为逻辑查询树，通过动态规划和代价模型优化查询树，实现高效并行处理，在WikiWeb-ERP数据集上优于现有方法。
Comments Accepted by SIGMOD 2027
A Layered Security Framework Against Prompt Injection in RAG-Based Chatbots
基于RAG的聊天机器人中针对提示注入的分层安全框架
机构 * ICCK Transactions on Information Security and Cryptography（信息安全与密码学国际会议交易）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 提出三层防御框架，通过输入过滤、上下文指令层级和输出审计，将提示注入攻击成功率从71.4%降至11.3%，误报率4.8%，延迟开销61.2毫秒。
Comments Submitted in ICCK Transactions on Information Security and Cryptography
A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation
上下文感知与关系感知的图检索增强生成统一框架
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Finvolution Group（信也科技集团）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；分类 cs.AI
AI总结 提出HyGRAG分层图RAG框架，通过构建融合上下文与关系的摘要、跨层级检索及动态更新，将多跳推理准确率提升9.7%。
Comments Accepted at The ACM Web Conference 2026 (WWW '26)
Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
基于混合专家知识图谱检索增强生成的多智能体LLM推荐系统
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title,abstract)；分类 cs.IR
AI总结 提出MixRAGRec框架，通过混合专家检索、知识偏好对齐和对比学习增强推荐，解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。
Comments Accepted by KDD 2026 Research Track
Route Before Retrieve: Activating Latent Routing Abilities of LLMs for RAG vs. Long-Context Selection
在检索前路由：激活大语言模型的潜在路由能力用于RAG与长上下文选择
机构 * Beihang University（北航） ； HKUST（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 本文提出Pre-Route框架，通过结构化推理提前决策，利用轻量级元数据进行任务分析和信息需求预测，实现可解释且高效的路由决策，实验表明其在成本效益上优于现有方法。
ESGLens: An LLM-Based RAG Framework for Interactive ESG Report Analysis and Score Prediction
ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测
机构 * Massachusetts Institute of Technology（麻省理工学院）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。
Comments (20 pages, 3 figures)
EvoRAG: Making Knowledge Graph-based RAG Automatically Evolve through Feedback-driven Backpropagation
EvoRAG: 通过反馈驱动的反向传播使基于知识图谱的RAG自动进化
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.DB
AI总结 本文提出EvoRAG，通过反馈驱动反向传播机制自动优化知识图谱，提升推理准确性，实验显示比现有方法提升7.34%。
Core-based Hierarchies for Efficient GraphRAG
基于核心的高效图RAG层次结构
机构 * University at Buffalo（布法罗大学）
专题命中 图谱与结构化RAG ：RAG(title_cn,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL
AI总结 针对图RAG中Leiden聚类不可复现的问题，提出用k-core分解替代，构建确定性、密度感知的层次结构，并设计轻量级启发式方法，在保证连接性的同时降低LLM成本，提升答案全面性和多样性。
Comments Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
M$^3$KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation
M$^3$KG-RAG：多跳多模态知识图谱增强的检索增强生成
机构 * Korea University（高丽大学） ； Sungkyunkwan University（成均馆大学） ； NVIDIA Research（英伟达研究院） ； Hanwha Systems（韩华系统）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出M$^3$KG-RAG，通过构建多跳多模态知识图谱并引入GRASP机制，提升多模态大语言模型的推理深度和回答准确性。
Comments Accepted to CVPR 2026
TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation
TaSR-RAG：基于分类的结构化推理用于检索增强生成
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL、cs.AI
AI总结 TaSR-RAG通过基于分类的结构化推理框架，提升检索增强生成任务的证据选择精度和推理质量。
Comments 14 pages, 7 tables, 5 figures
DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation
机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology - Tsinghua University（北京信息科学与技术国家研究中心-清华大学）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL、cs.AI
Comments 6 pages, 5 figures;
Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning
Graph-R1：通过端到端强化学习实现智能图RAG框架
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 图谱与结构化RAG ：RAG(title_cn,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.CL
AI总结 提出Graph-R1，首个通过端到端强化学习的智能图RAG框架，采用轻量知识超图构建、多轮智能体-环境交互检索和端到端奖励机制，在推理准确性、检索效率和生成质量上优于传统图RAG和强化学习增强RAG方法。
Comments Accepted by ICML 2026 main conference
Journal ref ICML 2026
Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study
跨实体金融情感分析的图增强检索：一项比较研究
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；vector search(abstract)
AI总结 本文提出一种两跳图增强检索架构（Graph-RAG），通过构建情感加权知识图谱并融合密度检索与图遍历，相比标准向量检索在跨实体金融情感分析中显著提升实体召回率和复杂查询答案相关性。
EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
EHR-RAG: 通过增强检索增强生成连接长期结构电子健康记录和大型语言模型
机构 * University of Illinois Urbana-Champaign, United States（伊利诺伊大学厄巴纳-香槟分校） ； Yale University, United States（耶鲁大学）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.AI
AI总结 EHR-RAG通过增强检索增强生成方法，提升长期结构电子健康记录在临床预测中的表现，实现宏F1平均提升10.76%。
Explainable Knowledge Graph Retrieval-Augmented Generation (KG-RAG) with KG-SMILE
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.AI
KG-RAG: Enhancing GUI Agent Decision-Making via Knowledge Graph-Driven Retrieval-Augmented Generation
机构 * Huawei Hong Kong Research Center（华为香港研究部） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） ； Guangzhou Institute of Technology, Xidian University（广州技术学院，西安电子科技大学） ； ICTT and ISN Laboratory, Xidian University（ICTT和ISN实验室，西安电子科技大学）
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL
Comments Accepted by the EMNLP 2025
OntologyRAG: Better and Faster Biomedical Code Mapping with Retrieval-Augmented Generation (RAG) Leveraging Ontology Knowledge Graphs and Large Language Models
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.IR
Comments This paper has been accepted as a workshop paper for KEIR@ECIR 2025
How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)
专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(title,abstract)；分类 cs.CL
Comments 6 pages, 6 figures, ICEIT 2025
Deterministic Decisions for High-Stakes AI. A Zero-Egress Pipeline with the Deployability of RAG and the Accuracy of Machine Learning
高风险AI的确定性决策：具有RAG可部署性和机器学习准确性的零出口管道
机构 * Verificate Pty Ltd（Verificate公司）
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.CL、cs.AI
AI总结 本研究识别并量化了零样本大语言模型在教育咨询中的干预偏差，通过监督策略学习（决策树和XGBoost）消除该偏差，实现接近零的校准误差，并揭示了评估差距。
Comments 41 pages, 11 tables, no figures. Preprint intended for submission to EDM 2027 / LAK 2027. Includes a reproducibility package: trained ONNX Decision Transformer, generic training script, OULAD evaluation scripts, and per-arm results CSVs
jXBW: A Compressed Index for Structure-Aware JSONL Retrieval in Structured RAG
jXBW: 面向结构化RAG中结构感知JSONL检索的压缩索引
专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB
AI总结 提出jXBW压缩索引，通过合并树表示、基于扩展Burrows-Wheeler变换的简洁树索引和三阶段子结构搜索算法，实现查询依赖的复杂度，在百万级JSONL数据集上比最强基线快16倍至2800倍。
AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation
原子级图：用于检索增强生成的原子实体图
机构 * National University of Defense Technology, China（国防科技大学）
专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(title)；分类 cs.IR、cs.AI
AI总结 本文提出原子级图，通过将知识存储为独立的事实单元，提升检索精度和推理鲁棒性，优于现有RAG基线。
