RAG / 检索增强生成

The 2nd FutureDial Challenge: Dialog Systems with Retrieval Augmented Generation (FutureDial-RAG)

Yucheng Cai, Si Chen, Yuxuan Wu, Yi Huang, Junlan Feng, Zhijian Ou

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

Comments Accepted by SLT 2024

Federated Recommendation via Hybrid Retrieval Augmented Generation

Huimin Zeng, Zhenrui Yue, Qian Jiang, Dong Wang

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

Auto-RAG: Autonomous Retrieval-Augmented Generation for Large Language Models

Tian Yu, Shaolei Zhang, Yang Feng

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of AI Safety, Chinese Academy of Sciences（中国科学院人工智能安全重点实验室） 纠错

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

Comments Code is available at https://github.com/ictnlp/Auto-RAG

LLM-Specific Utility for Retrieval-Augmented Generation

针对大语言模型的特定效用：检索增强生成的新视角

Hengran Zhang, Keping Bi, Jiafeng Guo, Jiaming Zhang, Shuaiqiang Wang, Dawei Yin, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Baidu Inc（百度公司） 纠错

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

AI总结 本文提出LLM特定效用的概念，指出不同大语言模型对证据的需求不同，提出构建基准以研究这种效用，并推动生成器定制的证据选择方法改进RAG。

Comments Accepted to CIKM 2026

Retrieval-Augmented Generation-Based Color Restoration for Low-Light Image Enhancement

基于检索增强生成的低光照图像增强颜色恢复

Li-Wei Lu, Shaou-Gang Miaou

机构 * Chung Yuan Christian University（中原大学） 纠错

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

AI总结 本研究针对低光照图像增强的系统性颜色偏移问题，提出基于检索增强生成（RAG）的独立颜色恢复后处理模块，可适配多种前端模型并提升颜色相关指标。

Comments 29 pages, 11 figures

Retrieval-Augmented Generation in LLMs for Mental Health: Quantifying the Incremental Contribution of Retrieval Within a Layered Safety Architecture

大语言模型在心理健康领域的检索增强生成：量化分层安全架构中检索的增量贡献

Anand Gupta, Akshat Surolia, Shubham Mishra, Shakil Imtiaz, Chaitali Sinha

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

AI总结 研究数字心理健康干预中，通过在名为Wysa的DMHI里对比启用和禁用检索增强生成（RAG）模式，评估六个大语言模型，计算相关指标并测试差异，发现RAG虽致误报增加，但符合安全原则，是提升LLM驱动的DMHIs相关性能的有前景方法。

Comments 11 pages, 6 figures

Retrieval-Augmented Generation Must Move Beyond Factual Grounding to Represent Diverse Opinions

检索增强生成必须超越事实基础以代表多样化观点

Aditya Agrawal, Alwarappan Nakkiran, Darshan Fofadiya, Alex Karlsson, Harsha Aduri, Aman Singh Thakur

机构 * Amazon.com（亚马逊公司） 纠错

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

AI总结 本文指出检索增强生成系统存在系统性事实偏差，并提出需要在检索系统设计上进行范式转变，通过不确定性量化方法提出统一目标，并展示Opinion-Aware RAG架构在两个领域中的实验结果，证明其在多样性、公平性和准确性方面的提升。

Comments 18 pages, Preprint under review

Mitigating Errors in LLM-Generated Web API Invocations via Retrieval-Augmented Generation and Constrained Decoding

通过检索增强生成和约束解码减轻大语言模型生成的Web API调用中的错误

Daniel Maninger, Leon Chemnitz, Jannis Brugger, Tushar Lamba, Amir Molzam Sharifloo, Mira Mezini

机构 * Technische Universität Darmstadt（德累斯顿技术大学） ； Hessian Center for Artificial Intelligence (hessian.AI)（黑森人工智能中心） ； Pariton AI ； National Research Center for Applied Cybersecurity ATHENE（应用网络安全国家研究中心ATHENE） 纠错

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

AI总结 研究如何减轻大语言模型生成的Web API调用错误，提出检索增强生成（RAG）和约束解码（CD）两种互补方法，设计相应技术细节，在合成和真实数据集上评估，结果显示RAG、CD各有优劣，能提升Web API调用代码正确性。

Comments 54 pages, 11 figures; supersedes arXiv:2509.20172v6, which is a discarded journal extension of our work

Sustainable Hybrid Document-Routed Retrieval for Financial RAG: Resolving the Robustness-Precision Trade-off

通过混合文档路由检索解决金融RAG中的鲁棒性与精度权衡

Zhiyuan Cheng, Longying Lai, Yue Liu

机构 * organization= School of Engineering, Stanford University , city= Stanford , state= CA , country= USA ； organization= Simon Business School, University of Rochester , city= Rochester , state= NY , country= USA ； organization= Accounting \& Information Systems, Rutgers University , city= Newark , state= NJ , country= USA 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、cs.AI

AI总结 本文提出混合文档路由检索方法，通过结合语义文件路由与分块检索，解决金融文档问答中鲁棒性与精度的权衡问题，提升检索性能。

Comments 26 pages, 4 figures, 13 tables

MIRAGE: Misleading Retrieval-Augmented Generation via Black-box and Query-agnostic Poisoning Attacks

MIRAGE: 通过黑盒与查询无关的投毒攻击误导检索增强生成

Tailun Chen, Yu He, Yan Wang, Shuo Shao, Haolun Zheng, Zhihao Liu, Jinfeng Li, Zhizhen Qin, Yuefeng Chen, Zhixuan Chu, Zhan Qin, Kui Ren

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

AI总结 提出MIRAGE，一种在黑盒和查询无关场景下通过多阶段投毒管道攻击RAG系统的方法，利用代理模型反馈、人物驱动查询合成、语义锚定和对抗性TPO优化，显著提升攻击效果和隐蔽性。

Anytime-Valid Federated Conformal RAG for LLM Swarms

面向LLM群体的任意有效联邦共形RAG

Prasanjit Dubey, Xiaoming Huo

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H.米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 提出Anytime-FC-RAG，通过可累积的逐步校准偏差预算和截断投注e过程，将联邦共形RAG扩展到任意停止时间均有效的序贯覆盖，并保证时间均匀报警有效性、Hoeffding拼接累积误覆盖包络及自适应控制下的安全性。

Improving Retrieval-Augmented Generation without Taxonomy-based Error Categorization

无需基于分类的错误归类即可改进检索增强生成

Gongbo Zhang, Yifan Peng, Chunhua Weng

机构 * Columbia University（哥伦比亚大学） ； Weill Cornell Medicine（韦尔·科恩医学中心） 纠错

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

AI总结 本文提出RePAIR方法，通过直接将错误的RAG输出映射到错误缓解行动计划，无需依赖细粒度错误分类和显式批评者监督，从而提升检索增强生成的性能。

Trustworthiness in Retrieval-Augmented Generation Systems: A Survey

检索增强生成系统中的可信度：综述

Yujia Zhou, Wenbo Zhang, Jingying Shao, Yan Liu, Xiaoxi Li, Jiajie Jin, Hongjin Qian, Zheng Liu, Chaozhuo Li, Jason Chen Zhang, Zhicheng Dou, Philip S. Yu, Jiaxin Mao

机构 * Tsinghua University（清华大学） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Hong Kong Polytechnic University（香港理工大学） ； Microsoft Research Asia（微软亚洲研究院） ； University of Illinois（伊利诺伊大学） 纠错

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

AI总结 本文综述了检索增强生成系统中可信度的关键维度，提出Trust-RAG Compass框架，评估事实性、鲁棒性等六个方面，并建立评估基准，揭示不同LLM在可信度方面的性能差异，指出未来研究方向。

Utility-Oriented Visual Evidence Selection for Multimodal Retrieval-Augmented Generation

以效用为导向的多模态证据选择用于多模态检索增强生成

Weiqing Luo, Zongye Hu, Xiao Wang, Zhiyuan Yu, Haofeng Zhang, Ziyi Huang

机构 * Arizona State University（亚利桑那州立大学） ； Texas A&M University（德克萨斯大学） ； Morgan Stanley（摩根大通） 纠错

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

AI总结 本文提出以信息论视角重构多模态证据选择，定义证据效用为模型输出分布的信息增益，通过引入潜在的证据有效性概念，提出无需训练的代理加速框架，实验证明在MRAG-Bench和Visual-RAG上优于现有RAG基线并降低计算成本。

Comments Accepted to ACL 2026

SEM-RAG: Structure-Preserving Multimodal Graph Compilation and Entropy-Guided Retrieval for Telecommunication Standards

SEM-RAG：结构保持的多模态图编译与熵引导检索用于电信标准

Yuzhi Yang, Lina Bariah, Yuhuan Lu, Hang Zou, Mérouane Debbah

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 本文提出SEM-RAG框架，通过结构保持编译和熵引导检索提升电信标准文档检索性能，实验显示其在表格和公式密集型问题上表现优异，准确率高达94.1%。

INHerit-SG: Incremental Hierarchical Semantic Scene Graphs with RAG-Style Retrieval

INHerit-SG：增量式层次语义场景图与RAG风格检索

YukTungSamuel Fang, Zhikang Shi, Jiabin Qiu, Zixuan Chen, Jieqi Shi, Hao Xu, Jing Huo, Yang Gao

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Beihang University（北京航空航天大学） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 本文提出INHerit-SG，通过异步双流架构构建RAG-ready知识库，解决复杂嵌入查询与持续语义图构建问题，实验表明在复杂查询中表现优异。

RCSB PDB AI Help Desk: retrieval-augmented generation for protein structure deposition support

RCSB PDB AI Help Desk：基于检索增强生成的蛋白质结构沉积支持

Vivek Reddy Chithari, Jasmine Y. Young, Irina Persikova, Yuhe Liang, Gregg V. Crichlow, Justin W. Flatt, Sutapa Ghosh, Brian P. Hudson, Ezra Peisach, Monica Sekharan, Chenghua Shao, Stephen K. Burley

机构 * RCSB Protein Data Bank, Rutgers, The State University of New Jersey（RCSB蛋白质数据银行，新泽西州立大学拉特格斯分校） ； RCSB Protein Data Bank, San Diego Supercomputer Center, University of California San Diego（RCSB蛋白质数据银行，圣地亚哥超级计算机中心，加州大学圣地亚哥分校） 纠错

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

AI总结 本文提出基于检索增强生成的AI帮助台系统，用于支持蛋白质结构沉积的验证与生物整理，通过RAG技术提升帮助台效率，实现全天候的存款人支持。

Comments 13 pages, 0 figures

FAIR-RAG: Faithful Adaptive Iterative Refinement for Retrieval-Augmented Generation

Mohammad Aghajani Asl, Majid Asgari-Bidhendi, Behrooz Minaei-Bidgoli

机构 * Sharif University of Technology（谢里夫理工大学） ； Iran University of Science and Technology（伊朗科学技术大学） ； Noor Avaran Jelvehaye Maanaei Najm Co., Ltd.（诺尔·阿瓦兰·杰拉维耶·马纳埃尼纳姆公司） 纠错

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

Comments 30 pages, 5 figures, 5 tables. Keywords: Retrieval-Augmented Generation (RAG), Large Language Models (LLMs), Agentic AI, Multi-hop Question Answering, Faithfulness

Hybrid Retrieval for Hallucination Mitigation in Large Language Models: A Comparative Analysis

Chandana Sree Mala, Gizem Gezici, Fosca Giannotti

机构 * University of Pisa（比萨大学） ； Scuola Normale Superiore（高等师范学院） 纠错

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

From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism

从关联到因果：通过因果关系与注意力机制提升检索增强生成的检索精度

Jing Liu, Yongxing Qi, Muchen Jiang, Chengnan Hu, Qingqing Peng, Haoming Wang, Yuqing Wang, Yang Yu, Xu Zhang, Ting Wu

机构 * Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院） 纠错

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

AI总结 该研究针对RAG检索阶段仅捕捉关联关系的问题，通过建模检索过程的因果结构，提出一种无需训练的注意力式重评分规则，在企业知识库和关键词堆砌语料库上显著提升了检索精度。

Comments 16 pages, 2 figures, 4 tables, 1 algorithm. Code available at https://github.com/Silk-Road/causal-rag-rerank

Does RAG Know When Retrieval Is Wrong? Diagnosing Context Compliance under Knowledge Conflict

RAG 能知道检索错误吗？知识冲突下的上下文合规性诊断

Yihang Chen, Pin Qian, Su Wang, Sipeng Zhang, Huan Xu, Shuhuai Lin, Xinpeng Wei

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 提出上下文驱动分解（CDD）方法，在推理时探测并干预检索增强生成中的上下文与参数知识冲突，揭示上下文合规性模式并提升鲁棒性。

Comments Preprint. 3 figures, 3 tables. Diagnostic study of context compliance in RAG under knowledge conflict; closed-API evaluations (Gemini-2.5-Flash and Claude family)

R$^3$AG: Retriever Routing for Retrieval-Augmented Generation

R$^3$AG：基于检索增强生成的检索路由

Tong Zhao, Yutao Zhu, Yucheng Tian, Zhicheng Dou

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

AI总结 R$^3$AG通过动态对齐查询与检索器能力，解决检索增强生成中检索器选择单一的问题，提升生成准确性。

Chronological Knowledge Retrieval: A Retrieval-Augmented Generation Approach to Construction Project Documentation

时间知识检索：一种基于检索增强生成的方法用于建设项目文档

Ioannis-Aris Kostis, Natalia Sanchiz, Steeve De Schryver, François Denis, Pierre Schaus

机构 * Université Catholique de Louvain, ICTEAM/INGI（列日大学，ICTEAM/INGI） ； Buildwise ； BPC Group（BPC集团） 纠错

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

AI总结 本文提出一种基于检索增强生成的方法，用于建设项目文档的时间知识检索，通过语义搜索与大语言模型结合，实现对项目会议记录的对话式访问，支持时间标注的决策历史查询。

When to use Graphs in RAG: A Comprehensive Analysis for Graph Retrieval-Augmented Generation

在何时使用图在RAG中：图检索增强生成的全面分析

Zhishang Xiang, Chuanjie Wu, Qinggang Zhang, Shengyuan Chen, Zijin Hong, Xiao Huang, Jinsong Su

机构 * Xiamen University（厦门大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本文提出GraphRAG-Bench基准，系统分析GraphRAG在不同任务中的表现，揭示其在特定场景下的优势与适用条件。

Comments All resources and analyses are collected at https://github.com/GraphRAG-Bench/GraphRAG-Benchmark

Zero-RAG: Towards Retrieval-Augmented Generation with Zero Redundant Knowledge

零冗余知识下的检索增强生成：Zero-RAG

Qi Luo, Xiaonan Li, Junqi Dai, Shuang Cheng, Xipeng Qiu

机构 * School of Computer Science, Fudan University（复旦大学计算机学院） 纠错

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

AI总结 Zero-RAG通过修剪冗余知识和优化检索流程，提升LLM在减少冗余信息下的生成性能。

Journal ref Frontiers of Computer Science (2026)

T-Retriever: Tree-based Hierarchical Retrieval Augmented Generation for Textual Graphs

T-Retriever：基于树的分层检索增强生成用于文本图谱

Chunyu Wei, Huaiyu Qin, Siyuan He, Yunhai Wang, Yueguo Chen

机构 * BRAIN of RUC（北京理工大学脑科学研究院） 纠错

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

AI总结 T-Retriever通过语义和结构引导的树状检索方法，改进了图谱检索增强生成，提升复杂查询的连贯性和语境相关性。

You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures

Shengyuan Chen, Chuang Zhou, Zheng Yuan, Qinggang Zhang, Zeyang Cui, Hao Chen, Yilin Xiao, Jiannong Cao, Xiao Huang

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

Comments This work has been accepted to AAAI'26

The RAG Paradox: A Black-Box Attack Exploiting Unintentional Vulnerabilities in Retrieval-Augmented Generation Systems

Chanwoo Choi, Jinsoo Kim, Sukmin Cho, Soyeong Jeong, Buru Chang

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

Multimodal RAG for Unstructured Data:Leveraging Modality-Aware Knowledge Graphs with Hybrid Retrieval

Rashmi R, Vidyadhar Upadhya

机构 * National Institute of Technology Karnataka, Surathkal, India（印度卡纳塔克国家理工学院） 纠错

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

Comments 12 pages, 6 figures, submitted for review

ModernBERT + ColBERT: Enhancing biomedical RAG through an advanced re-ranking retriever

Eduardo Martínez Rivera, Filippo Menolascina

机构 * School of Informatics University of Edinburgh（信息学院爱丁堡大学） ； School of Engineering University of Edinburgh（工程学院爱丁堡大学） 纠错

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