RAG / 检索增强生成

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。

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

Teaching Nemotron Greek: Mining a Corpus, Adapting Retrieval, and Grounding Generation for Modern Greek across Specialist Domains

让Nemotron学习希腊语：针对专业领域现代希腊语的语料库挖掘、检索适配与生成落地

Ayoub Kirouane, Christos Petrocheilos

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

AI总结 本研究针对现代希腊语缺失于Nemotron检索模型及主流多语言基准的问题，提出Nemotron检索栈的端到端适配方案，含语料库挖掘等步骤，推出首个希腊语RAG基准HERA，适配后的模型在多项指标上显著提升。

Comments 15 pages, 10 figures, 7 tables. Includes release of the HERA benchmark and Sophea Nemo RAG models

Private Anytime Selective-Risk Certification for Federated Retrieval-Augmented Generation: Guarantees and Empirical Limits

面向联邦检索增强生成的私有任意时刻选择性风险认证：保证与经验极限

Sanjeda Akter, Ibne Farabi Shihab, Anuj Sharma

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

AI总结 本研究提出Fed-SRC这一适用于联邦RAG的私有任意时刻选择性风险认证方法，经实验验证其在多数场景下可满足风险保证，性能优于对比方法。

SentAttack: A Sentence-Level Black-Box Adversarial Attack Method for Dense Retrieval Models

SentAttack：一种用于密集检索模型的句子级黑盒对抗攻击方法

Luping Wei, Yamin Hu, Sihan Shang, Shiyin Wang, Wenjian Luo

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

AI总结 针对密集检索模型对抗攻击问题，提出SentAttack句子级黑盒攻击方法。先通过与黑盒系统交互收集训练代理模型数据，再用代理模型聚类相关文档生成对抗候选句，经优化提升攻击效果。

Improving Access to Historical Archives with Real-time RAG-based Systems

利用基于实时检索增强生成（RAG）的系统改善对历史档案的访问

Stergios Konstantinidis, Hayman Lotfy, Alexis Erne, Faruk Zahiragic, Min-Yen Kan, Michalis Vlachos

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

AI总结 研究针对数字化历史档案访问难题，提出集成大语言模型的端到端框架，含OCR优化模块和语义检索重排管道，实验表明能减少OCR错误并提升检索效果，使档案系统更具交互性和语义可搜索性。

Hybrid-IR: Dual-Path Hybrid Retrieval with Iterative Reasoning for Complex Medical Question Answering

Hybrid-IR: 面向复杂医学问答的双路径混合检索与迭代推理

Sheng Wan, Jiahui Zhang, Zicheng Zhao, Shougang Ren

机构 * College of Artificial Intelligence, Nanjing Agricultural University（南京农业大学人工智能学院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 纠错

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

AI总结 提出Hybrid-IR框架，结合图检索与稠密检索的双路径检索机制，并通过迭代检索-推理循环逐步优化推理轨迹，有效解决复杂医学问答中知识碎片化和静态检索不足的问题。

RAVEN: Agentic RAG for Automated Vulnerability Repair

RAVEN：用于自动化漏洞修复的智能体检索增强生成框架

Varun Gadey, Zijie Liu, Alexandra Dmitrienko

机构 * University of Duisburg-Essen（杜伊斯堡- Essen大学） 纠错

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

AI总结 提出RAVEN框架，集成智能体RAG管道与可控迭代修复，利用开源LLM实现跨类型、跨语言的自动化漏洞修复，在160个真实CVE上达到83.13%修复成功率。

Comments 17 Pages, 4 figures. Under review

Ricci-Filtration: Boosting Retrieval-Augmented Generation Reranker to Query-Answer Tasks by Discrete Ricci Flow

Ricci-Filtration：通过离散Ricci流提升检索增强生成重排序器在查询-答案任务中的性能

Tian Qin, Wei-Min Huang

机构 * Tian Qin（田琴） ； Wei-Min Huang（黄伟民） 纠错

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

AI总结 提出基于离散曲率和Ricci流的几何重排序增强方法Ricci-Filtration，通过建模查询与检索块为网络并利用曲率过滤噪声块，显著提升RAG生成性能。

BengaliMCQ: Automatic Generation and Answer Prediction of Academic Multiple-Choice Questions in a Low-Resource Language

BengaliMCQ：低资源语言中学术多项选择题的自动生成与答案预测

Abu Tarabin Surzo, A. K. M. Nihalul Kabir, Sm Azmain Faysal, Ariana Haque Ami, Lawrence Amlan Gomes, Farig Sadeque

机构 * BRAC University（BRAC大学） 纠错

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

AI总结 针对低资源语言孟加拉语的RAG框架缺陷，提出结构感知RAG框架，通过层级图与图神经网络优化检索，实现更优的MCQ生成与答案预测性能。

Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation

基于部分依赖图的高效上下文检索用于仓库级代码生成

Zhongxin Liu, Zhonghao Jiang, Zhifan Ye, Haoye Wang, Jiakun Liu, Xiaoxue Ren

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

AI总结 该研究针对仓库级代码生成中RAG方法的不足，提出基于部分依赖图的DyRetriever，构建DyCoder并在CoderEval、DevEval上取得显著性能提升且效率更高。

Comments Accepted by ASE 2026

Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning

新颖性感知的智能检索：通过结构化多步推理比较研究贡献

Shou-Tzu Han

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

AI总结 提出新颖性感知研究智能体，通过结构化多步推理增强RAG，实现论文间重叠、差异及问题-方法缺失的对比分析，在100篇论文语料上支持五种结构化比较能力。

Comments 9 pages, 1 figure, 14 tables

When Poison Fails After Retrieval: Revisiting Corpus Poisoning under Chunking and Reranking Pipelines

当投毒在检索后失败：重新审视分块与重排序管道下的语料库投毒

Xi Nie, Hongwei Li, Shenghao Wu, Mingxuan Li, Jiachen Li, Wenbo Jiang

机构 * School of Computer Science, Shandong University（山东大学计算机学院） ； School of Information, Shandong University（山东大学信息学院） ； School of Software Engineering, Shandong University（山东大学软件学院） 纠错

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

AI总结 针对RAG系统，提出CRCP框架，通过联合优化检索相关性、重排序一致性和分块边界鲁棒性，解决现有投毒方法在真实多阶段检索管道中因分块和重排序导致效果下降的问题。

Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach

用于检索增强生成的源感知重排：一种可靠性先验方法

Yuktha Tata Koganti, Hugo Garrido-Lestache Belinchon

机构 * Milwaukee School of Engineering（密尔沃基工程学院） 纠错

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

AI总结 研究针对检索增强生成中仅靠语义相似性排序的问题，提出纳入源可靠性先验的重排方法，通过为文档分配先验并重新加权检索分数，在健康领域语料库实验中提升了Precision@5并减少对抗性文档检索。

Detecting Hallucinations in Retrieval-Augmented Generation through Grounding-Aware Sensitivity by Perturbation (GASP)

通过扰动的基于接地感知敏感性检测检索增强生成中的幻觉（GASP）

Mohamed Aly Bouke

机构 * Centre for Intelligent Cloud Computing, CoE for Advanced Cloud, Faculty of Information Science and Technology, Multimedia University（智能云计算中心、高级云研究中心、信息科学与技术学院、多媒体大学） 纠错

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

AI总结 研究检索增强生成中幻觉检测问题，提出GASP方法，通过固定答案重新打分，衡量对数似然下降和Jensen-Shannon散度，评估显示其在RAGTruth上效果显著，信号能转移到TofuEval。

Comments 23 pages, 9 figures, 15 tables

AGE: Adaptive-masking for Graph Embedding in Graph Retrieval-Augmented Generation

AGE：面向图检索增强生成的图嵌入自适应掩码

Bao Long Nguyen Huu, Atsushi Hashimoto

机构 * OMRON Corporation（欧姆龙公司） ； OMRON SINIC X Corporation（欧姆龙SINIC X公司） 纠错

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

AI总结 提出自适应掩码图嵌入方法AGE，通过类似文本编码器的Transformer结构和可学习节点采样器解决图与文本特征对齐问题，在GraphQA任务中显著提升准确性。

SHIFT: Gate-Modulated Activation Steering for Knowledge Conflict Mitigation in Retrieval-Augmented Generation

SHIFT: 门控调制激活引导用于检索增强生成中的知识冲突缓解

Ruochang Li, Pengcheng Huang, Zhenghao Liu, Yukun Yan, Huiyuan Xie, Yu Gu, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系，北京，中国） 纠错

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

AI总结 提出SHIFT框架，通过轻量级门控模块调节LLM内部激活，以自适应解决检索上下文与参数知识间的冲突，仅优化0.01%参数，在六个数据集上验证有效性。

Comments 19 pages, 13 Figures

uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking

uva-irlab-conv 在 SemEval-2026 任务 8：基于学习型稀疏检索和列表式重排序的多轮 RAG

Simon Lupart, Kidist Amde Mekonnen, Zahra Abbasiantaeb, Mohammad Aliannejadi

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 提出结合学习型稀疏检索与基于 LLM 的重排序和生成的多轮检索增强生成流水线，用于跨四个领域的对话系统，有效处理不可回答查询。

Comments SemEval-2026, The 20th International Workshop on Semantic Evaluation, collocated with ACL 2026, 9 pages, 5 figures, 6 tables

Retrieval Augmented Generation Framework for the Nepali Legal Domain Question Answering

面向尼泊尔法律领域问答的检索增强生成框架

Samir Wagle, Abiral Adhikari, Reewaj Khanal, Batsal Bhandari, Prashant Manandhar, Praveen Acharya, Bal Krishna Bal

机构 * Dublin City University（都柏林城市大学） 纠错

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

AI总结 提出首个基于检索增强生成的尼泊尔法律问答模型，利用BM25和E5模型检索案例法，实现91%的top-1精度和74%的生成答案可信度。

Invoice Haystack: Benchmarking Document Retrieval and Visual Question Answering Under Strong Visual Homogeneity

发票草垛：强视觉同质性下的文档检索与视觉问答基准测试

Heethanjan Kanagalingam, Thenukan Pathmanathan, Mokeeshan Vathanakumar, Basim Azam, Sarah Monazam Erfani, Naveed Akhtar

机构 * The University of Melbourne（墨尔本大学） ； Lakehead University（湖首大学） 纠错

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

AI总结 针对视觉同质文档集合中的检索困难，提出Invoice Haystack基准和VL-RAG混合检索框架，通过文本与视觉嵌入融合及VLM验证过滤，显著提升检索准确率。

Comments Accepted to presentation at ECCV 2026

What Makes a Good Fiqh Retriever? Answer Retrieval for Arabic Islamic Jurisprudence

什么样的伊斯兰教法检索器是优秀的？阿拉伯伊斯兰教法的答案检索

Somaya Eltanbouly, Heba Sbahi, Samer Rashwani, Abdessalam Bouchekif, Mutaz al-Khatib, Shahd Gaben, Mohammed Ghaly

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

AI总结 本研究针对阿拉伯伊斯兰教法构建检索测试集，评估多种检索策略，发现教法学派感知过滤可显著提升教派特定问题的检索性能，核心挑战是区分答案承载与主题相似的非答案段落。

Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models?

更多检索到的证据是否有助于基于扩散语言模型的视觉检索增强生成？

Jiankun Wang, Yisen Gao, Ziwei Zhang, Xingcheng Fu, Jiaxin Bai, Chen Gao

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

AI总结 针对基于扩散语言模型的视觉检索增强生成，研究发现无条件扩大检索证据会因语义冲突降低准确率，提出无需训练的基于熵的候选过滤框架，可平均提升答案准确率2.62个百分点。

RIMS: Preference Optimization via Smoothed Multi-pair Aggregation for Small-Scale LLM Retrieval-Augmented Generation

RIMS：通过平滑多对聚合进行偏好优化以实现小规模语言模型检索增强生成

Pei Tian, Zihan Dong, Tianci Liu, Linjun Zhang, Haoyu Wang

机构 * Columbia University（哥伦比亚大学） ； Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； SUNY Albany（纽约州立大学奥尔巴尼分校） 纠错

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

AI总结 研究针对小规模语言模型检索增强生成中对噪声证据敏感的问题，提出RIMS框架，通过合成偏好数据、软聚合机制及偏好优化，实现更好性能，在多基准测试中优于现有方法

Journal ref COLM 2026

Earthquaker-AI: A Retrieval-Augmented Generation Framework with Rubric-Based Assessment for Primary School Earthquake Education

地震人工智能：一种基于评分标准评估的小学地震教育检索增强生成框架

Xanthi Kokkinou, Chaido Mizeli, Nafsika Koulaxidou, Marina Delianidi, Konstantinos Diamantaras

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

AI总结 研究针对小学生地震教育问题，提出地震人工智能混合教育框架，集成检索增强生成对话式AI助手，结合乐高机器人、评分标准和AI，通过不同年级的渐进学习提升学生地震应对能力，实验显示有高可信度和准确性。

Comments 17 pages, 4 figures

CHARLIE: An On-Premise Multi-Agent Retrieval-Augmented Generation System for Evidential Reasoning in Forensic Science

CHARLIE：用于法医学证据推理的本地多智能体检索增强生成系统

Leandro D. Carneiro, Andre L. S. Meirelles, Juliano de A. Gomes, Rafael C. A. Cabral

机构 * Forensic Institute, Civil Police of Federal District, Brazil（巴西联邦区刑事研究所） ； University of Brasília, Brazil（巴西巴西利亚大学） 纠错

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

AI总结 介绍用于法医学证据推理的本地多智能体检索增强生成系统CHARLIE，通过结合多种机制应对取证挑战，在机构内运行维护数据主权等，经案例研究验证其能支持证据工作流程，为高风险取证环境部署AI系统提供蓝图。

Comments 10 pages, 1 figure. Archival version of a paper presented at RELAF 2026: 1st Workshop on Reasoning with Evidence in Law Enforcement and Forensics, co-located with ICAIL 2026, Singapore, June 2026

Dual-Confidence Contrastive Decoding for Retrieval-Augmented Generation

双置信对比解码用于检索增强生成

Raymond Li, Md Tawkat Islam Khondaker, Amirhossein Abaskohi, Gabriel Murray, Giuseppe Carenini, Issam H. Laradji

机构 * ServiceNow Research（ServiceNow研究院） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 针对多文档检索增强生成中的内部证据冲突问题，提出无需训练的双置信对比解码方法，结合文档级和词元级置信度选择正负流，在DRQA等基准上取得最佳平均性能。

LCAi: Life Cycle Assessment with big data fusion and retrieval-augmented generation-assisted interpretation

LCAi: 基于大数据融合与检索增强生成辅助解释的生命周期评估

Georgios Tsironis, Juan D. Medrano-Garcia, Gonzalo Guillen-Gosalbez

机构 * Institute for Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zürich（苏黎世联邦理工学院化学与应用生物科学系化学与生物工程研究所） ； NCCR Catalysis（瑞士国家研究能力中心催化研究所） 纠错

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

AI总结 提出一种视角条件检索增强生成框架，通过多视角检索与受控合成，在AI辅助生命周期评估中实现结构化解释，减少幻觉风险并保持跨领域多样性。

Comments 23 pages, 14 figures, 6 tables. Includes Supplementary Information