RAG / 检索增强生成

FinGround: Detecting and Grounding Financial Hallucinations via Atomic Claim Verification

FinGround：通过原子性声明验证检测和支撑金融幻觉

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；hybrid retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 FinGround通过三阶段验证-支撑流程，针对金融文档问答中的计算错误进行验证和修正，有效降低幻觉率，其在金融领域具有重要应用价值。

Comments Accepted to ACL 2026 Industry Track. 14 pages, 1 figure, 14 tables

RedParrot: Accelerating NL-to-DSL for Business Analytics via Query Semantic Caching

RedParrot：通过查询语义缓存加速业务分析中的自然语言到DSL转换

Tong Wang, Yongqin Xu, Jianfeng Zhang, Lingxi Cui, Wenqing Wei, Suzhou Chen, Huan Li, Ke Chen, Lidan Shou

机构 * State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 RedParrot通过语义缓存加速自然语言到领域特定语言的转换，提升业务分析效率与准确性，实验显示在六个真实企业数据集上平均提速3.6倍，准确率提升8.26%。

CBR-to-SQL: Rethinking Retrieval-based Text-to-SQL using Case-based Reasoning in the Healthcare Domain

CBR-to-SQL：重新思考基于检索的文本到SQL方法：在医疗领域使用基于案例的推理

Hung Nguyen, Hans Moen, Pekka Marttinen

机构 * Department of Computer Science Aalto University（奥卢大学计算机科学系） ； Department of Clinical Medicine Aalborg University（奥尔堡大学临床医学系） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出CBR-to-SQL框架，通过分解检索增强生成的两阶段检索，提升医疗领域文本到SQL的准确性和效率。

LLM-Enhanced Semantic Data Integration of Electronic Component Qualifications in the Aerospace Domain

基于大语言模型的航空领域电子元件资格语义数据整合

Antonio De Santis, Marco Balduini, Matteo Belcao, Andrea Proia, Marco Brambilla, Emanuele Della Valle

机构 * Politecnico di Milano, DEIB（米兰Politecnico大学DEIB系） ； Quantia Consulting（Quantia咨询公司） ； Motus ml（Motus ml实验室） ； Thales Alenia Space（Thales Alenia空间公司） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；vector search(abstract)；分类 cs.IR、cs.AI、cs.DB

AI总结 本文提出利用虚拟知识图谱和大语言模型整合航空领域电子元件资格数据，通过本体数据访问和向量搜索提升检索效率，减少人工处理成本。

Comments ESWC 2026

MicroNN: An On-device Disk-resident Updatable Vector Database

Jeffrey Pound, Floris Chabert, Arjun Bhushan, Ankur Goswami, Anil Pacaci, Shihabur Rahman Chowdhury

专题命中 图谱与结构化RAG ：retrieval augmented generation(abstract)；RAG(abstract)；vector search(abstract)；分类 cs.IR、cs.AI、cs.DB

AgentKGV: Agentic LLM-RAG Framework with Two-Stage Training for the Fact Verification of Knowledge Graphs

AgentKGV：用于知识图谱事实验证的两阶段训练的智能语言模型-检索增强生成框架

Yumin Heo, Hyeon-gu Lee, Sumin Seo, Youngjoong Ko

机构 * SungKyunKwan University（成均馆大学） ； NAVER（纳维） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.CL

AI总结 针对知识图谱事实错误验证难题，提出AgentKGV框架，集成动态路由等处理表面形式不匹配。引入两阶段训练策略，在开放域T-REx基准上，该框架提升了宏观F1，减少搜索调用次数，提高了验证准确性和效率。

To GPU or Not to GPU: Vector Search in Relational Engines

在GPU上进行还是不进行GPU操作：关系引擎中的向量搜索

Vasilis Mageirakos, Joel André, Marko Kabić, Bowen Wu, Yannis Chronis, Gustavo Alonso

专题命中 图谱与结构化RAG ：vector search(title,abstract)；分类 cs.DB

AI总结 本文探讨了在关系引擎中集成GPU进行向量搜索的必要性，通过扩展TPC-H基准测试并设计SQL+VS查询，开发了跨CPU和GPU的执行引擎，并通过实验发现GPU在处理关系组件时更高效，但向量搜索部分需优化索引结构以提升性能。

Comments preprint

HyperGraphPro: Progress-Aware Reinforcement Learning for Structure-Guided Hypergraph RAG

HyperGraphPro: 为结构引导的超图RAG设计的进度感知强化学习

Jinyoung Park, Sanghyeok Lee, Omar Zia Khan, Hyunwoo J. Kim, Joo-Kyung Kim

机构 * KAIST（韩国科学技术院） ； Microsoft（微软） ； Amazon（亚马逊） 纠错

专题命中 图谱与结构化RAG ：RAG(title)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 HyperGraphPro通过结合语义相关性和图连接性，改进超图检索机制，采用基于进度的逐步策略优化，提升多步推理的准确性和生成质量。

Comments In progress

From 50% to Mastery in 3 Days: A Low-Resource SOP for Localizing Graduate-Level AI Tutors via Shadow-RAG

从50%到精通：一种低资源SOP，通过影子RAG本地化研究生级AI导师

Zonglin Yang, J. -H. Xie, Lining Zhang, Jiyou Jia, Zhi-X. Chen

机构 * School of Mechanics and Engineering Science, Peking University, Beijing, 100871, China（北京理工大学机械与工程科学学院） ； Readraft Intelligent Technology Co., Ltd., China（读raft智能科技有限公司） ； Graduate School of Education, Peking University, Beijing, 100871, China（北京大学教育学院） ； AI for Science Institute, Beijing, 100080, China（AI for Science研究院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

AI总结 本文提出一种低成本SOP，利用影子RAG架构和数据清洗策略，在3人天内本地化研究生级AI导师，使32B模型性能从74%提升至90%。

Comments 9 pages, 3 figures, practitioner report

MedPlan: A Two-Stage RAG-Based System for Personalized Medical Plan Generation

MedPlan: 一种基于RAG的双阶段系统，用于个性化医疗计划生成

Hsin-Ling Hsu, Cong-Tinh Dao, Luning Wang, Zitao Shuai, Thao Nguyen Minh Phan, Jun-En Ding, Chun-Chieh Liao, Pengfei Hu, Xiaoxue Han, Chih-Ho Hsu, Dongsheng Luo, Wen-Chih Peng, Feng Liu, Fang-Ming Hung, Chenwei Wu

机构 * National Chengchi University（国立政治大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Can Tho University（庆坚大学） ； University of Michigan（密歇根大学） ； Stevens Institute of Technology（史泰文斯理工学院） ； Far Eastern Memorial Hospital（东方纪念医院） ； Florida International University（佛罗里达国际大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 MedPlan通过双阶段RAG框架，结合SOAP方法，提升个性化医疗计划生成的准确性和结构化质量。

SCOUT-RAG: Scalable and Cost-Efficient Unifying Traversal for Agentic Graph-RAG over Distributed Domains

SCOUT-RAG：可扩展且成本效益高的代理图式检索框架用于分布式领域

Longkun Li, Yuanben Zou, Jinghan Wu, Yuqing Wen, Jing Li, Hangwei Qian, Ivor Tsang

机构 * A*STAR 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

AI总结 SCOUT-RAG是一种分布式代理图式检索框架，通过跨领域检索和增量效用目标提升推理性能，同时降低成本和延迟。

RAG: A Random-Forest-Based Generative Design Framework for Uncertainty-Aware Design of Metamaterials with Complex Functional Response Requirements

基于随机森林的生成设计框架：面向具有复杂功能响应要求的元材料不确定性感知设计

Bolin Chen, Dex Doksoo Lee, Wei "Wayne'' Chen, Wei Chen

机构 * Department of Mechanical Engineering, Northwestern University（西北大学机械工程系） ； Department of Mechanical Engineering, Texas A&M University（德克萨斯大学A&M分校机械工程系） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

AI总结 基于随机森林的生成设计框架RAG，通过高效预测高维功能响应，解决元材料逆向设计中的不确定性问题。

A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs

一种通过命题图遍历实现全面RAG的导航方法

Maxime Delmas, Lei Xu, André Freitas

机构 * Idiap Research Institute（日内瓦研究所） ； École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校） ； University of Manchester（曼彻斯特大学） ； CRUK Manchester Institute（CRUK曼彻斯特研究所） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.CL

AI总结 ToPG通过命题图遍历实现高效结构RAG系统，结合查询意识的图遍历与事实细粒度，提升复杂多跳查询和单跳事实检索的性能。

Comments 23 pages, 10 figures, 6 tables

Privacy-protected Retrieval-Augmented Generation for Knowledge Graph Question Answering

隐私保护的检索增强生成用于知识图谱问答

Yunfeng Ning, Mayi Xu, Jintao Wen, Qiankun Pi, Yuanyuan Zhu, Ming Zhong, Jiawei Jiang, Tieyun Qian

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title)；RAG(abstract)；分类 cs.CL

AI总结 本文提出ARoG框架，通过关系中心和结构导向的抽象策略，解决隐私保护下的知识图谱问答中的检索与隐私问题。

Comments Accepted by AAAI 2026, camera ready version

Prompt Tuning for Natural Language to SQL with Embedding Fine-Tuning and RAG

Jisoo Jang, Tien-Cuong Bui, Yunjun Choi, Wen-Syan Li

机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.CL

Comments Presented at the Workshop on Robust ML in Open Environments (PAKDD 2024)

Text2VectorSQL: Towards a Unified Interface for Vector Search and SQL Queries

Zhengren Wang, Dongwen Yao, Bozhou Li, Dongsheng Ma, Bo Li, Zhiyu Li, Feiyu Xiong, Bin Cui, Linpeng Tang, Wentao Zhang

机构 * Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； OriginHub Technology（OriginHub科技） ； Institute for Advanced Algorithms Research, Shanghai（上海先进算法研究所） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 图谱与结构化RAG ：vector search(title,abstract)；分类 cs.CL

Comments Manuscript

KGFR: A Foundation Retriever for Generalized Knowledge Graph Question Answering

Yuanning Cui, Zequn Sun, Wei Hu, Zhangjie Fu

机构 * School of Computer Science, Nanjing University of Information Science and Technology（南京信息工程大学计算机科学学院） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） ； National Institute of Healthcare Data Science, Nanjing University（南京大学健康数据科学国家研究院） ； Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology（南京信息工程大学教育部长江数字取证工程研究中心） 纠错

专题命中 图谱与结构化RAG ：retriever(title,abstract)；分类 cs.AI

KnowRA: Knowledge Retrieval Augmented Method for Document-level Relation Extraction with Comprehensive Reasoning Abilities

Chengcheng Mai, Yuxiang Wang, Ziyu Gong, Hanxiang Wang, Yihua Huang

机构 * Nanjing Normal University, School of Computer Science and Electronic Informatics（南京师范大学计算机科学与电子信息学院） ； State Key Laboratory for Novel Software Technology at Nanjing University（南京大学新型软件技术国家重点实验室） ； Nanjing University, School of Computer Science（南京大学计算机科学学院） 纠错

专题命中 图谱与结构化RAG ：knowledge retrieval(title,abstract)；分类 cs.CL

Comments This work has been accepted by IJCAI 2025 (CCF A)

Don't Lag, RAG: Training-Free Adversarial Detection Using RAG

Roie Kazoom, Raz Lapid, Moshe Sipper, Ofer Hadar

机构 * Electrical and Computer Engineering, Ben Gurion University, Beer Sheba 84105, Israel（电子与计算机工程系，本· Gurion 大学） ； Computer Science, Ben Gurion University, Beer Sheba 84105, Israel（计算机科学系，本· Gurion 大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title)；retrieval-augmented generation(abstract)；分类 cs.AI

Comments Accepted at VecDB @ ICML 2025

ScoreRAG: A Retrieval-Augmented Generation Framework with Consistency-Relevance Scoring and Structured Summarization for News Generation

Pei-Yun Lin, Yen-lung Tsai

机构 * Department of Mathematical Sciences, National Chengchi University（数学科学系，国立政治大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；分类 cs.CL

Comments 11 pages, 8 figures. Code and demo available at https://github.com/peiyun2260/ScoreRAG. Submitted to arXiv for public access; journal submission planned

GE-Chat: A Graph Enhanced RAG Framework for Evidential Response Generation of LLMs

Longchao Da, Parth Mitesh Shah, Kuan-Ru Liou, Jiaxing Zhang, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； New Jersey Institute of Technology（新泽西理工学院） ； Arizona（亚利桑那） ； New Jersey（新泽西） 纠错

专题命中 图谱与结构化RAG ：RAG(title)；retrieval-augmented generation(abstract)；分类 cs.CL

Comments 5 pages, 4 figures, accepted to IJCAI2025 demo track

Unleashing Worms and Extracting Data: Escalating the Outcome of Attacks against RAG-based Inference in Scale and Severity Using Jailbreaking

Stav Cohen, Ron Bitton, Ben Nassi

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

Comments for Github, see https://github.com/StavC/UnleashingWorms-ExtractingData . arXiv admin note: substantial text overlap with arXiv:2403.02817

Traditional Chinese Medicine Case Analysis System for High-Level Semantic Abstraction: Optimized with Prompt and RAG

Peng Xu, Hongjin Wu, Jinle Wang, Rongjia Lin, Liwei Tan

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.CL

ERATTA: Extreme RAG for Table To Answers with Large Language Models

Sohini Roychowdhury, Marko Krema, Anvar Mahammad, Brian Moore, Arijit Mukherjee, Punit Prakashchandra

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.AI

Comments 5 pages, 4 tables, IEEE Big Data, 2024

DFA-RAG: Conversational Semantic Router for Large Language Model with Definite Finite Automaton

Yiyou Sun, Junjie Hu, Wei Cheng, Haifeng Chen

专题命中 图谱与结构化RAG ：RAG(title,abstract)；分类 cs.CL

Comments Accepted to ICML 2024

SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

SchemaRAG：面向LLM驱动的结构化信息提取的动态大规模模式缩减

Sin Yu Bonnie Ho, Arlie Coles, Erik Larsson, Eric Marshall, Nathan Bodenstab, Paul Vozila

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 针对大规模模式导致LLM提取结构化信息时成本高、性能下降的问题，提出SchemaRAG框架，通过检索增强动态缩减输出模式空间，在医疗和电商数据集上实现F1提升8.8%、延迟降低47%、令牌成本降低48%。

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 6: Industry Track), pages 1114-1127, San Diego, California, USA, July 2026. Association for Computational Linguistics

Ground Then Rank: Revisiting Knowledge-Based VQA with Training-Free Entity Identification

先定位再排序：基于知识的视觉问答中无训练实体识别的再探讨

Qian Ma, Qiong Wu, Zhengyi Zhou, Yao Ma

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； AT&T Chief Data Office（AT&T首席数据办公室） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 针对知识型视觉问答中实体与证据双重定位瓶颈，提出解耦实体识别与段落排序的无训练IBA框架，利用MLLM候选名称选择与文本重排序器，在降低复杂度同时提升性能。

Comments Accepted by ACL 2026 Findings. Project page https://github.com/VAN-QIAN/ACL26-IBA/

Improve Large Language Model Systems with User Logs

通过用户日志改进大型语言模型系统

Changyue Wang, Weihang Su, Qingyao Ai, Xingzhao Yue, Rui Zhang, Xiaojia Chang, Yiqun Liu

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出UNO框架，通过用户日志提炼规则和偏好对，利用查询反馈驱动聚类处理数据异质性，量化模型知识与日志数据间的认知差距，提升LLM系统性能。

Didact: A Cross-Domain Capability Discovery System for Defence

Didact：面向国防的跨领域能力发现系统

Aarya Bodhankar, Aditya Joshi, Bao Gia Doan, Thomas Marchant, Oscar Leslie, Flora Salim

机构 * University of New South Wales, Sydney, Australia（新南威尔士大学，悉尼，澳大利亚） ； Cyndr.ai, Australia（Cyndr.ai，澳大利亚） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 提出Didact原型系统，通过构建知识图谱和复合检索增强生成管道，整合异构国防报告与政策文档，支持自然语言对话和可视化证据追溯，解决跨领域能力发现碎片化问题。

Comments Under Review at CIKM 2026 (System Demonstration Track)

GAAMA: Graph Augmented Associative Memory for Agents

GAAMA：用于智能体的图增强关联记忆

Swarna Kamal Paul, Shubhendu Sharma, Nitin Sareen

机构 * Nagarro（Nagarro公司） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 GAAMA通过三步流程构建概念中介知识图，结合余弦相似度和个性化PageRank实现检索，通过GRaft修复知识图，提升多会话任务中的表现。