Exploring the Security Threats of Retriever Backdoors in Retrieval-Augmented Code Generation
探索检索增强代码生成中Retriever后门的安全威胁
专题命中 检索器与排序 :retriever(title,abstract)
AI总结 本文研究了检索增强代码生成中Retriever后门攻击的严重威胁,通过开发VenomRACG攻击方法揭示了攻击者可通过注入少量代码操控检索器,导致模型生成脆弱代码。
AI 大模型
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。
探索检索增强代码生成中Retriever后门的安全威胁
专题命中 检索器与排序 :retriever(title,abstract)
AI总结 本文研究了检索增强代码生成中Retriever后门攻击的严重威胁,通过开发VenomRACG攻击方法揭示了攻击者可通过注入少量代码操控检索器,导致模型生成脆弱代码。
基于引用的代码理解:通过混合检索和图增强上下文防止LLM幻觉
机构 * Department of Computer Science and Software Engineering, Auburn University, Alabama, USA(计算机科学与软件工程系,阿伯丁大学,阿拉巴马州,美国)
专题命中 检索器与排序 :hybrid retrieval(title,abstract)
AI总结 本文提出混合检索与图增强上下文方法,通过系统评估实现92%引用准确率,有效防止LLM幻觉。
分层深度研究与本地Web RAG:迈向自动化系统级材料发现
机构 * Pritzker School of Molecular Engineering, University of Chicago(芝加哥大学普利兹克分子工程学院) ; Chemical Sciences and Engineering Division, Argonne National Laboratory(阿贡国家实验室化学科学与工程 division) ; Department of Computer Science, University of Chicago(芝加哥大学计算机科学系)
专题命中 检索器与排序 :RAG(title);retrieval-augmented generation(abstract)
AI总结 本文提出一种分层深度研究代理,通过本地Web RAG和DToR机制,实现低成本高质的自动化系统级材料发现。
Comments A preliminary version appeared in The AI for Accelerated Materials Discovery (AI4Mat) Workshop at NeurIPS 2025
机构 * Huawei Cloud Computing Technology Co., Ltd, China(华为云计算技术有限公司,中国)
专题命中 检索器与排序 :retrieval-augmented generation(title);RAG(abstract)
机构 * Department of Electrical and Electronic Engineering Imperial College London(帝国理工学院电子与电气工程系) ; Department of Civil and Environmental Engineering Imperial College London(帝国理工学院土木与环境工程系) ; Institute of Biomedical Engineering Department of Engineering Science University of Oxford(牛津大学生物医学工程研究所)
专题命中 检索器与排序 :retrieval-augmented generation(title,abstract)
Comments 4 pages, 2 figures. Accepted for oral presentation at the 52nd international Computing in Cardiology Conference (CinC2025)
机构 * University of Science and Technology of China(中国科学技术大学) ; Hong Kong Baptist University(香港 Baptist 大学)
专题命中 检索器与排序 :retrieval-augmented generation(title);分类 cs.CL、cs.AI、cs.DB
Comments VLDB'2025 [Experiment, Analysis & Benchmark]
机构 * Massachusetts Institute of Technology, Cambridge, MA, United States(麻省理工学院)
专题命中 检索器与排序 :retrieval augmented generation(title);retrieval-augmented generation(abstract)
Comments ICML 2025
专题命中 检索器与排序 :retriever(title,abstract)
Comments Accepted to ISMIR 2025
机构 * Fudan University(复旦大学) ; NeuhHelium Co.,Ltd.(NeuhHelium公司)
专题命中 检索器与排序 :RAG(title,abstract)
Comments Accepted by IROS 2025
机构 * School of Computer Science, Peking University(北京大学计算机科学学院) ; Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所) ; Beijing Academy of Artificial Intelligence(北京人工智能研究院)
专题命中 检索器与排序 :retriever(title,abstract)
Comments ICLR 2025
专题命中 检索器与排序 :RAG(title);retrieval-augmented generation(abstract)
Comments 10 pages
专题命中 检索器与排序 :retriever(title,abstract)
Comments to appear at the 39th IEEE/ACM International Conference on Automated Software Engineering (ASE 2024)
专题命中 检索器与排序 :dense retrieval(title);分类 cs.IR、cs.CL、cs.AI
专题命中 检索器与排序 :RAG(title);retriever(abstract)
Comments 22 pages, 5 images, 6 tables, Manuscript submitted to a journal (2024)
专题命中 检索器与排序 :retriever(title);dense retrieval(abstract)
Comments ICML 2024
专题命中 检索器与排序 :retrieval augmented generation(title);分类 cs.IR、cs.CL、cs.AI
Comments 20 pages, 2 figures
专题命中 检索器与排序 :knowledge retrieval(title,abstract)
Comments Accepted by CVPR 2024, Fig.2 and Equation 4 revised
专题命中 检索器与排序 :retrieval-augmented generation(title);分类 cs.IR、cs.CL、cs.AI
专题命中 检索器与排序 :retriever(title);分类 cs.IR、cs.CL、cs.AI
Comments 4 pages, MFM-EAI@ICML2024
专题命中 检索器与排序 :retrieval-augmented generation(title,abstract)
Comments 10 pages
专题命中 检索器与排序 :knowledge retrieval(title,abstract)
Comments 5 pages, 8 figures, 8 tables
专题命中 检索器与排序 :dense retrieval(title);分类 cs.IR、cs.CL、cs.AI
Comments 8 pages, 6 figures, 30 tables
专题命中 检索器与排序 :knowledge retrieval(title,abstract)
Comments 13 pages, 10 figures
专题命中 检索器与排序 :hybrid retrieval(title,abstract)
Comments 16 pages, 9 figures, accepted for publication in The Astronomical Journal
专题命中 检索器与排序 :hybrid retrieval(title,abstract)
技能不是文档:面向LLM智能体技能路由的查询条件基准与两阶段检索器
专题命中 检索器与排序 :retriever(summary_cn,abstract_cn);分类 cs.IR
AI总结 针对LLM智能体技能路由中技能兼容性被忽视的问题,提出Reject-as-Resource Retriever (R3)框架,构建双语基准R3-Skill,并设计两阶段检索系统(R3-Embedding + R3-Reranker)显式建模技能兼容性,显著提升检索效果。
Comments 24 pages, 8 figures
TFGformer:基于时频图学习与协变量融合的多变量时间序列预测
专题命中 检索器与排序 :RAG(abstract,abstract_cn);retrieval-augmented generation(abstract);分类 cs.AI
AI总结 针对异构IoT传感器多变量时间序列预测问题,提出CrossRAG框架,结合SAM、FCC学习与CATF,在7个基准上性能优于仅参数化基线及现有检索增强预测方法。
Softmax丢弃的信息:用于证据积累的质量感知注意力
机构 * Smart Computing Laboratory, Department of Computer Science & Engineering, Konkuk University(智能计算实验室,计算机科学与工程系,建国大学)
专题命中 检索器与排序 :RAG(abstract,abstract_cn);retrieval-augmented generation(abstract);分类 cs.AI
AI总结 研究探讨模型内部表示中预测相关结构信息保留问题,提出质量感知注意力(MAA),将标准L1归一化推广到Lp族,在多模型和数据集上提升未来链接AUC等,定位为通用归一化原则提高表示信息性。
大规模程序知识提升推理能力
机构 * University of California, Los Angeles(加州大学洛杉矶分校) ; Meta FAIR
专题命中 检索器与排序 :RAG(abstract,abstract_cn);retrieval-augmented generation(abstract);分类 cs.CL
AI总结 本研究提出Reasoning Memory框架,通过大规模检索增强生成方法,有效利用程序知识提升推理能力,在多个基准测试中表现优于现有方法。
Comments COLM 2026 Camera Ready
通过检索增强大语言模型利用外部知识进行历史文献修复
机构 * Kangwon National University(江原国立大学)
专题命中 检索器与排序 :RAG(abstract,abstract_cn);retrieval-augmented generation(abstract);分类 cs.CL
AI总结 针对历史文献因物理损坏难以辨认及现有修复方法在恢复命名实体上的局限,提出利用检索增强大语言模型的修复框架,结合预训练模型隐含知识与外部上下文,实验表明该方法性能优于基线,是历史记录分析实用工具。
Comments Accepted to Findings of ACL 2026
Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 43290-43304, 2026