RAG / 检索增强生成

The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit

效率与准确性的权衡：使用多头早期退出优化RAG增强的LLM推荐系统

Huixue Zhou, Hengrui Gu, Xi Liu, Kaixiong Zhou, Mingfu Liang, Yongkang Xiao, Srinivas Govindan, Piyush Chawla, Jiyan Yang, Xiangfei Meng, Huayu Li, Buyun Zhang, Liang Luo, Wen-Yen Chen, Yiping Han, Bo Long, Rui Zhang, Tianlong Chen

机构 * Meta Platforms（Meta平台） ； University of Minnesota（明尼苏达大学） ； NCSU（北卡罗来纳州立大学） ； UNC at Chapel Hill（Chapel Hill分校，北卡罗来纳大学） 纠错

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

AI总结 提出结合检索增强生成（RAG）与多头早期退出架构的优化框架，通过图卷积网络（GCN）高效检索和动态推理终止，在降低计算时间的同时保持或提升点击率（CTR）预测准确性。

ExpWeaver: LLM Agents Learn from Experience via Latent RAG

ExpWeaver: LLM智能体通过潜在RAG从经验中学习

Tao Feng, Tianyang Luo, Jingjun Xu, Zhigang Hua, Yan Xie, Shuang Yang, Ge Liu, Jiaxuan You

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出ExpWeaver框架，利用潜在检索增强生成（无独立RAG模块）使LLM智能体从经验中学习，通过隐藏状态编码经验、潜在空间检索和交叉注意力聚合，在13个任务中12个达到最优，token效率高且跨域泛化强。

When Is Next-Token Prediction Useful? Marginalization, Ergodicity, Mixture Identifiability, Local Sufficiency, RAG, Tools, and Programming

下一个词预测何时有用？边缘化、遍历性、混合可识别性、局部充分性、RAG、工具与编程

Francesco Corielli

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

AI总结 本文通过区分完整条件语言过程、边缘文本过程和模型诱导分布，论证了下一个词预测的有效性依赖于强假设（平稳性、代表性、遍历性）以及观察前缀对潜在上下文的充分性，并解释了RAG和工具使用作为条件充分性机制的作用。

Can It Reach the Generator? Investigating the Survival of Prompt-Injection Attacks in Realistic RAG Settings

它能到达生成器吗？探究真实RAG设置中提示注入攻击的存活情况

Yu Yin, Shuai Wang, Bevan Koopman, Guido Zuccon

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

AI总结 本文在真实的三阶段RAG流水线（检索器→LLM重排序器→LLM生成器）中重新评估了七种生成式引擎优化（GEO）攻击，发现基于梯度和指令覆盖的攻击在到达生成器前大多失效，仅LLM驱动的提示注入保持端到端有效，且所有攻击易被轻量级防护检测。

Comments 18 pages, 6 figures

P$^2$RAG: Efficient Privacy-Preserving RAG Service Supporting Arbitrary Top-$k$ Retrieval

P$^2$RAG: 支持任意Top-$k$检索的高效隐私保护RAG服务

Yulong Ming, Mingyue Wang, Jijia Yang, Jie Xu, Zihan Wu, Cong Wang, Xiaohua Jia

机构 * City University of Hong Kong（香港城市大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 针对现有隐私保护RAG系统无法灵活支持大k值且效率低下的问题，提出基于秘密共享和交互式二分法的P$^2$RAG系统，避免排序开销，实现高效且安全的任意top-$k$检索。

Comments 14 pages, 3 figures

Cordon-MAS: Defending RAG against Knowledge Poisoning via Information-Flow Control

Cordon-MAS：通过信息流控制防御 RAG 的知识投毒

Zhe Yu, Wenpeng Xing, Gaolei Li, Shuguang Xiong, Hongzhi Wang, Xuyang Teng, Meng Han

机构 * Zhejiang University（浙江大学） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang Lab（浙江实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Hangzhou Dianzi University（杭州电子科技大学） 纠错

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

AI总结 针对检索增强生成（RAG）中的 Confundo 式投毒攻击，提出 Cordon-MAS 框架，通过分离证据提取、跨源审计和答案合成到具有非对称内存权限的智能体中，将攻击成功率相对降低 92.4%，将投毒问题从检测重新定义为信息流控制。

Iterate Until Retrieved: Factual Nugget Optimization for Discoverable Continual Corrections in Agentic RAG

迭代直到检索到：面向可发现持续修正的事实性片段优化在智能体RAG中的应用

Moshe Hazoom, Gal Patel, Alon Talmor, Tom Hope

机构 * Mosaic AI ； The Hebrew University of Jerusalem（希伯来大学杰里科分校） 纠错

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

AI总结 提出迭代片段优化（INO）方法，通过将反馈转化为事实性片段并利用生产环境智能体RAG系统迭代优化，提升事实性修正的可发现性和使用率。

RAG-Pull: Turning Retrieval into a Code-Injection Channel via Invisible Unicode Perturbations

RAG-Pull：通过不可见Unicode扰动将检索转化为代码注入通道

Aritra Dhar, Vasilije Stambolic, Lukas Cavigelli

机构 * Computing System Labs, Huawei Technologies Switzerland AG（华为瑞士技术有限公司计算系统实验室） ； BKW Energie AG（BKW能源集团） 纠错

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

AI总结 提出RAG-Pull攻击，通过向查询或外部代码库插入不可见UTF字符，使检索系统偏向恶意代码，从而破坏LLM的安全对齐，实现远程代码执行和SQL注入。

Leveraging RAG for Training-Free Alignment of LLMs

利用RAG实现无需训练的LLM对齐

John T. Halloran

机构 * Leidos（莱迪奥斯公司） 纠错

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

AI总结 本文提出RAG-Pref算法，通过对比信息提升对抗攻击拒绝能力，相比其他方法在五种主流LLM上提升3.7倍，同时保持计算效率。

Comments 19 pages, 4 figures, and 6 tables

SAR-RAG: ATR Visual Question Answering by Semantic Search, Retrieval, and MLLM Generation

SAR-RAG：通过语义搜索、检索和MLLM生成实现目标识别的视觉问答

David F. Ramirez, Tim Overman, Kristen Jaskie, Joe Marvin, Andreas Spanias

机构 * SenSIP Center, School of ECEE, Arizona State University（SenSIP中心，电子与计算机工程学院，亚利桑那州立大学） ； Prime Solutions Group Inc（Prime Solutions Group公司） 纠错

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

AI总结 本文提出SAR-RAG方法，结合多模态大语言模型和语义嵌入向量数据库，通过语义搜索和检索提升SAR图像目标识别的准确性，通过分类和回归指标验证效果。

Comments Accepted to 2026 SPIE Defense + Security, Automatic Target Recognition XXXVI

NuggetIndex: Governed Atomic Retrieval for Maintainable RAG

NuggetIndex：受控原子检索用于可维护的RAG

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

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 NuggetIndex通过存储原子信息单元（nuggets）提升RAG系统的可维护性，通过时间有效性区间和生命周期状态管理，提高召回率和时间正确性，减少冲突率。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

A Case Study on the Impact of Anonymization Along the RAG Pipeline

RAG流水线中匿名化影响的案例研究

Andreea-Elena Bodea, Stephen Meisenbacher, Florian Matthes

机构 * Technical University of Munich School of Computation, Information（慕尼黑技术大学计算、信息与技术学院） 纠错

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

AI总结 本文通过实证研究分析RAG流水线中匿名化位置对隐私-效用权衡的影响，探讨匿名化在数据集和生成答案处的不同效果。

Comments 7 pages, 1 figure, 6 tables. Accepted to IWSPA 2026

CHOP: Chunkwise Context-Preserving Framework for RAG on Multi Documents

CHOP：多文档RAG中的分块上下文保留框架

Hyunseok Park, Jihyeon Kim, Jongeun Kim, Dongsik Yoon

机构 * HDC LABS（HDC实验室） 纠错

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

AI总结 CHOP通过分块相关性评估和上下文连续性决策模块，有效解决多文档检索中相似文档导致的检索混淆问题，提升检索准确性和知识库质量。

Toward Agentic RAG for Ukrainian

迈向乌克兰的代理RAG

Marta Sumyk, Oleksandr Kosovan

机构 * Ukrainian Catholic University（乌克兰天主教大学） 纠错

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

AI总结 研究针对乌克兰语的代理RAG系统，结合两阶段检索与轻量级代理层，发现检索质量是瓶颈，代理重试提升准确率但受限于文档识别。

Comments This paper is a research report based on our participation in the UNLP 2026 Shared Task

How Retrieved Context Shapes Internal Representations in RAG

检索上下文如何塑造RAG中的内部表示

Samuel Yeh, Sharon Li

机构 * Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

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

AI总结 研究通过潜在表示分析检索文档类型对LLM隐藏状态的影响，揭示上下文相关性和分层处理对内部表示的影响，为RAG系统设计提供见解。

Comments ACL 2026 Findings

Retrieval as a Decision: Training-Free Adaptive Gating for Efficient RAG

检索作为决策：无需训练的自适应检索门控以实现高效的RAG

Yufeng Wang, Lu wei, Haibin Ling

机构 * Department of Computer Science（计算机科学系） ； Stony Brook University（石溪大学） ； Department of Artificial Intelligence（人工智能系） ； Westlake University（西湖大学） 纠错

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

AI总结 本文提出TARG，一种无需训练的自适应检索门控方法，通过短稿前缀logits计算不确定性评分，仅在评分超过阈值时触发检索，提升RAG的效率与准确性。

Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN)

Sarat Ahmad, Zeinab Nezami, Maryam Hafeez, Syed Ali Raza Zaidi

机构 * School of Electronic and Electrical Engineering（电子与电气工程学院） 纠错

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

The EPS Research Astro-RAG Platform: A Unified Open-Science Infrastructure for Cross-Epoch Astrophysical Kinematic Analysis, LLM-Assisted Research Workflows, and Educational Outreach

EPS Research Astro-RAG平台：用于跨纪元天体物理运动学分析、LLM辅助研究工作流程和教育推广的统一开放科学基础设施

David C. Flynn

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

AI总结 提出一个开放科学平台，整合四个跨纪元天体物理语料库、120个可执行Jupyter笔记本示例，并利用LLM辅助检索增强生成（RAG）研究工作流程，通过ω运动学校正揭示从z=0到z~5的角速度符号反转。

Comments 5 pages, no figures, no tables. Platform release: four open astrophysical corpora (772 objects, z=0 to z~6), 120 verified Jupyter notebooks, QuickStart reproducibility pathway, and High-School Exploration Track. Zenodo DOIs: 10.5281/zenodo.19563417, 10.5281/zenodo.20320362, 10.5281/zenodo.19907765, 10.5281/zenodo.20369285. GitHub: github.com/eps-research/rag-corpus-series

Self-MedRAG: a Self-Reflective Hybrid Retrieval-Augmented Generation Framework for Reliable Medical Question Answering

Self-MedRAG：一种用于可靠医学问答的自反思混合检索增强生成框架

Jessica Ryan, Alexander I. Gumilang, Robert Wiliam, Derwin Suhartono

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

AI总结 Self-MedRAG通过混合检索与自反思机制提升医学问答的准确性和可靠性。

Enhancing Financial RAG with Agentic AI and Multi-HyDE: A Novel Approach to Knowledge Retrieval and Hallucination Reduction

Akshay Govind Srinivasan, Ryan Jacob George, Jayden Koshy Joe, Hrushikesh Kant, Harshith M R, Sachin Sundar, Sudharshan Suresh, Rahul Vimalkanth, Vijayavallabh

机构 * Indian Institute of Technology Madras（印度理工学院马德拉斯学院） 纠错

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

Comments 14 Pages, 8 Tables, 2 Figures. Accepted and to be published in the proceedings of FinNLP, Empirical Methods in Natural Language Processing 2025

HybGRAG: Hybrid Retrieval-Augmented Generation on Textual and Relational Knowledge Bases

Meng-Chieh Lee, Qi Zhu, Costas Mavromatis, Zhen Han, Soji Adeshina, Vassilis N. Ioannidis, Huzefa Rangwala, Christos Faloutsos

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

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

Comments Accepted to ACL 2025

UniMS-RAG: A Unified Multi-source Retrieval-Augmented Generation for Personalized Dialogue Systems

Hongru Wang, Wenyu Huang, Yang Deng, Rui Wang, Zezhong Wang, Yufei Wang, Fei Mi, Jeff Z. Pan, Kam-Fai Wong

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

Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)

基于大语言模型与检索增强生成的财经新闻自动摘要：2023年秋的早期实证研究

Pranav Chandaliya

机构 * George Washington University（乔治·华盛顿大学） 纠错

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

AI总结 该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程，测试多种模型与方法，发现Summarize Chains的Falcon-7B表现最优，RAG存在缺陷，且相关失效模式至今仍具参考价值。

Comments 17 pages, 1 figure, 6 tables. Research conducted Fall 2023 at George Washington University; manuscript prepared for public release in 2026

COMA: A Compositional Misleading Attack Class on Security-RAG, and a Causal Counterfactual Defense

COMA：针对安全检索增强生成（Security-RAG）的组合式误导攻击类别及因果反事实防御

Chinmay Gondhalekar, Urjitkumar Patel

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

AI总结 该研究针对Security-RAG提出COMA组合式误导攻击，含行动破坏与结论翻转两种实现，提出因果反事实防御（ccd）可有效定位并防御该攻击，已发布攻击种子与ccd参考实现。

Comments Accepted at the IEEE Conference on Generative AI for Secure Systems (GAISS) 2026

Five Queries Are Enough: Query-Efficient and Surrogate-Free Membership Inference Attacks on RAG via Entailment

五个查询就足够了：基于蕴含的查询高效且无替代模型的RAG成员推断攻击

Nguyen Linh Bao Nguyen, Wanlun Ma, Viet Vo, Alsharif Abuadbba, Minghong Fang, Jun Zhang, Yang Xiang

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

AI总结 提出MEntA攻击方法，利用自然语言蕴含在少量查询下高效推断RAG系统中的文档成员关系，无需替代模型，成本低且难以检测。

Comments Accepted by USENIX Security 2026

When Context Bites: Detecting RAG Poisoning via Document-Level Attention Collapse

当上下文产生危害：通过文档级注意力崩溃检测RAG中毒

Yingtao Ren, Ziyi Zhao, Yiwei Fu, Xiao Luo, Yu-Cheng Chang, Chin-Teng Lin

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

AI总结 针对RAG中毒攻击现有检测方法失效的问题，提出基于文档级注意力崩溃的轻量级检测框架D-SCAN，可在攻击未改变最终答案时也实现有效检测。

Comments Accepted by SIGIR2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026), 2026

VITAL-RAG: Invariance Race for Context Allocation in Coding Agents

VITAL-RAG：编码智能体中上下文分配的不变性竞争

Zijian Lu, Yonghua Lu, Mingcai Chen, Yiping Zuo, Xin He, Weijun Wang, Weibei Fan

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

AI总结 VITAL-RAG针对编码智能体上下文分配的不变性竞争问题，通过按规范代码对象组织证据等方法，在RepoBench等数据集上提升了代码检索性能并减少了令牌占用。

Comments 8 pages, 2 figures

From Naive RAG to Deep Agentic Retrieval: An Evolving Context Engineering Pipeline for Regulatory Compliance

从朴素检索增强生成到深度智能检索：用于合规监管的不断演进的上下文工程管道

Mishca de Costa, Muhammad Saleh Anwar, Dave Mercier, Issam Hammad

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

AI总结 研究针对RAG朴素实现的局限，追溯安大略发电公司检索管道演变，历经多阶段形成PEA-CAE架构，表明上下文工程对监管语料库更具优势，深度智能检索进展反映经典思想，迭代证据获取等渐成企业问答基础。

Comments Accepted at the 2026 IEEE the 14th International Conference on Smart Energy Grid Engineering (SEGE 2026)

IteraSim RAG: A Multi-Stage Retrieval-Augmented Agentic Back-End for OpenFOAM-Based Computational Fluid Dynamics

IteraSim RAG：基于OpenFOAM的计算流体动力学的多阶段检索增强智能后端

Pratyush Kumar

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

AI总结 研究针对OpenFOAM配置CFD案例的难题，提出IteraSim RAG。通过LLM扩展查询、多种融合与重排策略及多智能体分工协作，结合规范知识层。在28个案例基准测试中表现良好，能完成配置、诊断修复问题，还公布相关内容以保障可重复性。

Comments 40 pages, 7 figures, 5 tables. Submitted to Computer Physics Communications

Not All Retrievals are Useful: Cross-Attention for Input-Aware RAG in Time Series Forecasting

并非所有检索都有用：时间序列预测中输入感知RAG的交叉注意力

Seunghan Lee, Jaehoon Lee, Jun Seo, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn

机构 * LG AI Research（LG人工智能研究所） 纠错

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

AI总结 提出Cross-RAG框架，通过查询-检索交叉注意力选择性关注相关检索样本，联合利用查询、检索样本及其关系，提升零样本时间序列预测性能，避免无关检索的干扰。

Comments KDD Workshop on Mining and Learning from Time Series 2026 (Oral Presentation)