RAG / 检索增强生成

Semantic Chameleon: Corpus-Dependent Poisoning Attacks and Defenses in RAG Systems

语义变色龙：RAG系统中依赖语料库的污染攻击与防御

Scott Thornton

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究RAG系统中依赖语料库的污染攻击与防御，提出双文档污染攻击方法并评估混合检索防御效果，展示混合检索能有效降低攻击成功率。

Comments 10 pages, 5 figures

SF-RAG: Structure-Fidelity Retrieval-Augmented Generation for Academic Question Answering

SF-RAG：用于学术问答的结构保真检索增强生成

Rui Yu, Tianyi Wang, Ruixia Liu, Yinglong Wang

机构 * Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东科学院）） ； National University of Singapore（新加坡国立大学） 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.AI

AI总结 SF-RAG通过保留学术论文的层级结构，提高检索和生成的效率与准确性，减少碎片化并提升答案质量。

DynaRAG: Bridging Static and Dynamic Knowledge in Retrieval-Augmented Generation

DynaRAG：连接静态与动态知识的检索增强生成

Penghao Liang, Mengwei Yuan, Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan, Yichao Wu

机构 * Northeastern University（东北大学） ； Independent Researcher（独立研究员） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； New York University（纽约大学） 纠错

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

AI总结 DynaRAG通过动态知识整合处理静态和时效性信息需求，采用LLM重排器、充分性分类器和Gorilla v2模型提升回答准确性与鲁棒性。

Hypothesis-Conditioned Query Rewriting for Decision-Useful Retrieval

基于假设的查询重写用于决策有用的检索

Hangeol Chang, Changsun Lee, Seungjoon Rho, Junho Yeo, Jong Chul Ye

机构 * Graduate School of AI, KAIST, Republic of Korea（韩国科学技术院人工智能研究生院） ； School of Electrical Engineering, KAIST, Republic of Korea（韩国科学技术院电气工程学院） ； Department of Industrial Engineering, Yonsei University, Republic of Korea（延世大学工业工程系） 纠错

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

AI总结 本文提出HCQR框架，通过重写查询获取证据支持假设、区分替代方案和验证关键线索，提升检索与答案选择的对齐度，实验表明在MedQA和MMLU-Med上优于传统RAG方法。

LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation

基于大语言模型的变更点检测：一种用于集合检测和自动解释的框架

Fabian Lukassen, Christoph Weisser, Michael Schlee, Manish Kumar, Anton Thielmann, Benjamin Saefken, Alexander Silbersdorff, Thomas Kneib

机构 * University of Göttingen（哥廷根大学） ； TU Clausthal（Clausthal 技术大学） ； Hochschule Bielefeld（比勒菲尔德应用科学大学） 纠错

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

AI总结 本文提出一种结合集合统计方法与大语言模型的变更点检测框架，解决单一方法选择困难和自动解释缺失的问题，通过集合方法提升检测准确性和解释性。

Rule-Based Explanations for Retrieval-Augmented LLM Systems

基于规则的检索增强型大语言模型解释

Joel Rorseth, Parke Godfrey, Lukasz Golab, Divesh Srivastava, Jarek Szlichta

机构 * University of Waterloo（滑铁卢大学） ； York University（约克大学） ； AT&T Chief Data Office（AT&T首席数据办公室） 纠错

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

AI总结 本文提出用规则解释检索增强型大语言模型，通过优化方法提高规则生成效率，通过实验验证其有效性。

CyberJustice Tutor: An Agentic AI Framework for Cybersecurity Learning via Think-Plan-Act Reasoning and Pedagogical Scaffolding

网络正义导师：一种基于思考-计划-行动推理和教学支架的AI框架，用于网络安全学习

Baiqiang Wang, Yan Bai, Juan Li

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

AI总结 本文提出CyberJustice Tutor，通过Think-Plan-Act推理和教学支架框架，解决传统聊天机器人在网络安全教育中的局限性，验证了其在专业教育中的有效性。

Negative Sampling Techniques in Information Retrieval: A Survey

信息检索中的负采样技术：综述

Laurin Wischounig, Abdelrahman Abdallah, Adam Jatowt

专题命中 检索器与排序 ：dense retrieval(abstract)；分类 cs.IR

AI总结 本文综述了密集信息检索中负采样技术，探讨了随机、静态/动态挖掘及合成数据集等方法，并分析了效果、计算成本和实现难度之间的权衡。

Comments Accepted at findings EACL 2026

DaPT: A Dual-Path Framework for Multilingual Multi-hop Question Answering

DaPT：一种多语言多跳问答的双路径框架

Yilin Wang, Yuchun Fan, Jiaoyang Li, Ziming Zhu, Yongyu Mu, Qiaozhi He, Tong Xiao, Jingbo Zhu

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） ； NiuTrans Research, Shenyang, China（牛译科研） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出DaPT框架，通过构建多语言多跳问答基准并采用双语检索与回答策略，解决多语言多跳问答中的基准缺失和语义依赖问题，实验表明其在MuSiQue基准上平均EM得分提升18.3%。

Comments Accepted by ICASSP 2026

Total Recall QA: A Verifiable Evaluation Suite for Deep Research Agents

全面回忆问答：深度研究代理的可验证评估套件

Mahta Rafiee, Heydar Soudani, Zahra Abbasiantaeb, Mohammad Aliannejadi, Faegheh Hasibi, Hamed Zamani

专题命中 知识库问答 ：retriever(abstract)；分类 cs.IR

AI总结 本文提出Total Recall QA评估框架，通过结构化知识库和文本语料构建精准查询，建立基于Wikidata-Wikipedia和合成电商知识库的基准测试，评估深度研究代理的检索与生成能力。

Comments 7 pages, 4 figures

DAVIS: Planning Agent with Knowledge Graph-Powered Inner Monologue

DAVIS：基于知识图谱的规划代理

Minh Pham Dinh, Munira Syed, Michael G Yankoski, Trenton W. Ford

机构 * Davis Institute for Artificial Intelligence（戴维斯人工智能研究所） ； Colby College（科伯学院） ； University of Notre Dame（圣约翰大学） ； William & Mary（威廉与玛丽学院） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出DAVIS，一种基于知识图谱的规划代理，通过结构化和时间记忆实现模型驱动规划，并采用多轮检索系统提升科学任务处理能力，在ScienceWorld基准测试中表现优异。

Comments Accepted to EMNLP 2025 Findings

MemArchitect: A Policy Driven Memory Governance Layer

MemArchitect：一种基于策略的记忆管理层

Lingavasan Suresh Kumar, Yang Ba, Rong Pan

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 MemArchitect通过引入规则化的记忆治理机制，解决大语言模型代理中的内存管理问题，提升自主系统可靠性和安全性。

Comments This is an on going research work and will be updated periodically

Prompt Control-Flow Integrity: A Priority-Aware Runtime Defense Against Prompt Injection in LLM Systems

提示控制流完整性：一种优先级感知的运行时防御，用于对抗LLM系统中的提示注入

Md Takrim Ul Alam, Akif Islam, Mohd Ruhul Ameen, Abu Saleh Musa Miah, Jungpil Shin

专题命中 图谱与结构化RAG ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 本文提出Prompt Control-Flow Integrity，一种优先级感知的运行时防御机制，通过结构化组合系统、开发者、用户和检索文档片段来防范提示注入攻击，实现零误报率和低开销。

Comments 4 Figures, 3 Tables, Submitted to the International Conference on Power, Electronics, Communications, Computing, and Intelligent Infrastructure 2026

Prompt Architecture Determines Reasoning Quality: A Variable Isolation Study on the Car Wash Problem

提示架构决定推理质量：关于汽车洗问题的变量隔离研究

Heejin Jo

机构 * Independent Researcher（独立研究者） 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过变量隔离研究，探讨了提示架构层在汽车洗问题推理中的作用，发现STAR框架可将准确率提升至85%，结合用户资料和RAG上下文后达到100%。

Comments 9 pages, 4 tables

MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding

MRD：多分辨率检索-检测融合用于高分辨率图像理解

Fan Yang, Xingping Dong, Xin Yu, Wenhan Luo, Wei Liu, Kaihao Zhang

机构 * HITSZ（哈尔滨工业大学） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出MRD框架，通过多分辨率语义融合和开放词汇检测提升高分辨率图像理解，实现局部和全局视角的增强，取得单目标和多目标理解任务的最先进性能。

Comments Accepted to CVPR 2026

How Confident Is the First Token? An Uncertainty-Calibrated Prompt Optimization Framework for Large Language Model Classification and Understanding

第一个token的可信度如何？一种用于大型语言模型分类和理解的不确定性校准提示优化框架

Wei Chen, Guoyang Ju, Yuanyuan Qi

机构 * China Jiliang University（中国嘉兴大学） 纠错

专题命中 RAG评测 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出LSFU指标和UCPOF框架，通过校准提示优化提升模型性能，实验显示在少样本基准上准确率提升6.03%，超越全RAG方法，并降低检索触发率50.66%。

Comments 27 pages,16 figures