Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI
Comments SustaiNLP2023 @ ACL 2023, 8 pages, 4 figures, 30 tables
AI 大模型
RAG / 检索增强生成
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。
1. 向量检索 346 篇
Efficient Privacy-Preserving Range Filtered Approximate Nearest Neighbor Search
高效的隐私保护范围过滤近似最近邻搜索
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
AI总结 本研究针对外包加密向量数据库的隐私保护需求，提出了分离范围定位与加密向量搜索的过滤-精调RFANNS方案，实验验证其在QPS-召回率权衡上优于现有安全适配方案。
Comments According to the best of our knowledge, this work is the first attempt to study privacy-preserving range-filterd ANN search problem. This is the early version of the work that is still in progress
Stop Indexing at Full Precision: Revisiting Clustering for Vector Embeddings
停止以全精度索引：重新审视向量嵌入的聚类方法
专题命中 向量检索 ：vector search(abstract)；分类 cs.AI、cs.DB
AI总结 该研究针对向量嵌入索引问题，提出在聚类前应用降维、量化和维度剪枝的流水线，发现1位编码聚类可实现近最优质量且大幅降存储，相关实现已开源。
Comments VLDB 2026 Workshop: The 2nd Workshop on Vector Databases
PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID
PLAID-PRF：在PLAID中使用类质心令牌的伪相关反馈
机构 * University of International Business and Economics（国际经济贸易大学） ； University of Glasgow（格拉斯哥大学）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL
AI总结 研究在PLAID基础上提出PLAID-PRF方法，通过对顶部检索结果执行伪相关反馈来重新制定查询向量，利用质心向量降低计算成本。实验表明该方法能有效提升检索效果，相比PLAID有显著改进，且计算开销小，实现高效反馈感知后期交互检索。
Comments SIGIR 2026
Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model
混合隐私感知语义搜索：受限威胁模型下基于SVD截断文档几何与CKKS加密查询重排序
机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院）
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI
AI总结 提出一种混合隐私保护方案，利用SVD截断和秘密旋转保护文档集合，CKKS同态加密保护查询，在百万文档规模下实现亚秒级延迟并保持排序质量，证明对受限攻击者的重构误差下界。
The Crowded Embedding Space: A Mean-Field Mechanism for Emergent Marginalization in Retrieval-Augmented Agents
拥挤的嵌入空间：检索增强型智能体中涌现边缘化的平均场机制
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI
AI总结 研究检索增强型智能体中密集检索导致少数内容被边缘化的问题，通过静态和动态分析揭示平均场机制，证明局部相关性目标会系统性地排斥少数兴趣。
Journal ref ICML 2026
PETRA: Transforming Web Text for Petroleum-Engineering Domain Adaptation
PETRA: 将网络文本转化为石油工程领域适应的数据集
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院） ； Inception AI
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL
AI总结 针对石油工程检索中领域标签稀缺的问题，提出PETRA数据集和流程，通过噪声网络数据构建领域语料和合成监督信号，显著提升检索与重排序性能。
Unified Dominance Graph for Interval-Predicate Approximate Nearest Neighbor Search
区间谓词近似最近邻搜索的统一支配图
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB
AI总结 提出统一支配图（UDG）框架，通过将区间端点映射到二维支配空间并构建支配标记图，统一处理包含、重叠等区间谓词，实现高效的区间谓词近似最近邻搜索。
Query-aware Routing for Filtered Approximate Nearest Neighbors Search
面向过滤近似最近邻搜索的查询感知路由
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB
AI总结 提出查询感知路由框架，通过轻量级ML模型预测各候选方法的召回率，结合离线基准表选择最佳召回-QPS权衡，在五个未见数据集上达到SOTA性能。
Comments 12 pages
Test-Time Compute for Frozen Embedding Models through Agentic Program Search
冻结嵌入模型在测试时通过智能体程序搜索的计算
机构 * Jina AI by Elastic（Jina AI 由 Elastic 提供）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL
AI总结 本文提出一种智能体程序搜索方法，通过大语言模型编写程序操作冻结编码器API，在推理时提升小嵌入模型的检索质量，无需训练参数且跨任务迁移。
Comments 15 pages, 7 figures, 4 tables
Your Embedding Model is SMARTer Than You Think
你的嵌入模型比你想象的更聪明
机构 * UW-Madison（威斯康星大学麦迪逊分校） ； Korea University（韩国大学） ； NetApp, Inc.（NetApp公司）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.AI
AI总结 提出SMART框架，通过利用标准单向量模型的隐式多向量能力，在推理时应用后期交互，无需额外训练即可提升多模态检索性能。
Vector Retrieval with Similarity and Diversity: How Hard Is It?
向量检索中的相似性与多样性：难度有多大？
机构 * Rutgers University（罗杰斯大学）
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL
AI总结 本文提出向量检索相似性与多样性（VRSD）问题，证明其为NP完全问题，并设计无参数启发式算法，在多个数据集上优于MMR和k-DPP等基线。
Benchmarking Filtered Approximate Nearest Neighbor Search Algorithms on Transformer-based Embedding Vectors
基于Transformer嵌入向量的过滤近邻搜索算法基准测试
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB
AI总结 本文针对过滤近邻搜索问题，提出arxiv-for-fanns数据集，评估了11种算法在不同过滤条件下的性能，总结出8项关键发现以指导实际应用。
CodeScout: An Effective Recipe for Reinforcement Learning of Code Search Agents
CodeScout: 一种有效的强化学习代码搜索代理训练方法
专题命中 向量检索 ：vector search(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出CodeScout，通过强化学习方法训练仅使用标准Unix终端的代码搜索代理，实验证明其在多个基准测试中优于大型语言模型。
A Systematic Investigation of Document Chunking Strategies and Embedding Sensitivity
文档分块策略与嵌入敏感性系统性研究
机构 * Open Source Institute（开源研究所） ； Faculty of Science and Technology（科学与技术学院） ； University of Canberra（堪培拉大学）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.CL、cs.AI
AI总结 本文系统研究了文档分块策略与嵌入敏感性，发现内容感知分块显著提升检索效果，段落分组分块在多个领域表现最优。
LLaVE: Large Language and Vision Embedding Models with Hardness-Weighted Contrastive Learning
LLaVE: 大规模语言和视觉嵌入模型与基于难度加权的对比学习
机构 * School of Informatics, Xiamen University, China（厦门大学信息学院） ； Pattern Recognition Center, WeChat AI, Tencent Inc, China（腾讯人工智能研究院） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室）
专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI
AI总结 LLaVE通过基于难度加权的对比学习提升多模态嵌入模型性能，实现SOTA表现和强泛化能力。
Comments Accepted by Findings of EMNLP 2025
JAG: Joint Attribute Graphs for Filtered Nearest Neighbor Search
JAG：联合属性图用于过滤最近邻搜索
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
AI总结 JAG通过联合属性图方法，实现了在各种过滤类型和选择性范围内的高效过滤最近邻搜索。
Analyzing Diffusion and Autoregressive Vision Language Models in Multimodal Embedding Space
分析扩散模型和自回归视觉语言模型在多模态嵌入空间中的表现
机构 * Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； NYU Shanghai（纽约大学上海分校） ； Alibaba-NTU Singapore Joint Research Institute（阿里-国立新加坡大学联合研究机构） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Center for Data Science（数据科学中心） ； New York University（纽约大学）
专题命中 向量检索 ：retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI
AI总结 本文研究了多模态扩散模型在多模态嵌入任务中的表现，发现其在分类、VQA和检索任务中均逊于自回归VLM。
Influence Guided Sampling for Domain Adaptation of Text Retrievers
基于影响的采样用于文本检索器的领域适应
机构 * IBM Research AI（IBM人工智能研究）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL
AI总结 本文提出Inf-DDS，一种基于强化学习的采样框架，通过影响信号优化文本检索器的领域适应，提升检索性能并降低计算成本。
SAQ: Pushing the Limits of Vector Quantization through Code Adjustment and Dimension Segmentation
SAQ: 通过编码调整和维度分割推动向量量化极限
专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.DB
AI总结 SAQ通过编码调整和维度分割技术提升向量量化精度和效率，实现量化误差降低80%及编码速度提升80倍。
Comments 13 pages, 12 figures, accepted by SIGMOD
HONEYBEE: Efficient Role-based Access Control for Vector Databases via Dynamic Partitioning[Technical Report]
HONEYBEE: 通过动态分区实现向量数据库的高效基于角色的访问控制
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； VMware Research by Broadcom（VMware由Broadcom进行的研究） ； Microsoft Research（微软研究院）
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
AI总结 HONEYBEE通过动态分区实现向量数据库的高效基于角色的访问控制，平衡内存开销与查询延迟，提升安全性与效率。
Comments Accepted by SIGMOD 2026
M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation
M3-Embedding：通过自知识蒸馏实现多语言、多功能、多粒度的文本嵌入
机构 * University of Science and Technology of China（中国科学技术大学） ； BAAI（北京人工智能研究院）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.CL、cs.AI
AI总结 M3-Embedding通过自知识蒸馏实现多语言、多功能和多粒度的文本嵌入，提升多语言检索性能。
An Index-based Approach for Efficient and Effective Web Content Extraction
基于索引的方法用于高效有效的网络内容提取
机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（Metastone技术）
专题命中 向量检索 ：RAG(abstract)；分类 cs.IR、cs.CL
AI总结 本文提出基于索引的方法，用于高效提取网络相关内容，提升RAG系统查询准确性与处理速度。
Coordination-Free Lane Partitioning for Convergent ANN Search
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
Comments 10 pages, 6 figures; arXiv preprint
Beyond QA Pairs: Assessing Parameter-Efficient Fine-Tuning for Fact Embedding in LLMs
专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI
Comments Presented at the Workshop on Preparing Good Data for Generative AI: Challenges and Approaches (Good-Data) in conjunction with AAAI 2025. The authors retain the copyright
Journal ref Workshop on Preparing Good Data for Generative AI: Challenges and Approaches, 2025
Scalable Disk-Based Approximate Nearest Neighbor Search with Page-Aligned Graph
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Rutgers University（新泽西罗格斯大学）
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
GLiClass: Generalist Lightweight Model for Sequence Classification Tasks
机构 * Knowledgator Engineering（Knowledgator工程）
专题命中 向量检索 ：RAG(abstract)；分类 cs.CL、cs.AI
Comments 14 pages, 7 tables, 2 figures
A Text is Worth Several Tokens: Text Embedding from LLMs Secretly Aligns Well with The Key Tokens
机构 * CCSE, School of Computer Science and Engineering, Beihang University, Beijing, China（计算机科学与工程学院，北京航空航天大学） ； Zhongguancun Laboratory, Beijing, China（中关村实验室） ； Shen Yuan Honors College, Beihang University, Beijing, China（神元荣誉学院，北京航空航天大学）
专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR、cs.CL
Comments ACL2025 Oral
NaviX: A Native Vector Index Design for Graph DBMSs With Robust Predicate-Agnostic Search Performance
专题命中 向量检索 ：vector search(abstract)；分类 cs.IR、cs.DB
PDX: A Data Layout for Vector Similarity Search
专题命中 向量检索 ：vector search(abstract)；分类 cs.AI、cs.DB
Comments To be published in Proceedings of The 2025 International Conference on Management of Data (SIGMOD '25). For associated code, see https://github.com/cwida/PDX
