RAG / 检索增强生成

Trans-RAG: Query-Centric Vector Transformation for Secure Cross-Organizational Retrieval

Trans-RAG：面向安全跨组织检索的查询导向向量转换

Yu Liu, Kun Peng, Wenxiao Zhang, Fangfang Yuan, Cong Cao, Wenxuan Lu, Yanbing Liu

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

AI总结 Trans-RAG通过查询导向的向量转换技术，在保持检索效率的同时实现跨组织安全检索，实验显示其在准确性和效率上均优于同态加密。

Comments Accepted by DASFAA 2026

Policy-Aware Edge LLM-RAG Framework for Internet of Battlefield Things Mission Orchestration

面向战场物联网任务编排的政策感知边缘大语言模型检索增强生成框架

Om Solanki, Lopamudra Praharaj, Deepti Gupta, Maanak Gupta

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

AI总结 本文提出一种面向战场物联网任务编排的政策感知边缘大语言模型检索增强生成框架，结合轻量检索模块与本地LLM进行任务规划，并通过JudgeLLM验证用户指令以提高可靠性。

Comments 10 pages, 5 figures, Accepted at AIS 2026

CODEPROMPTZIP: Code-specific Prompt Compression for Retrieval-Augmented Generation in Coding Tasks with LMs

CODEPROMPTZIP：用于编码任务中基于检索的生成的代码特定提示压缩

Pengfei He, Shaowei Wang, Tse-Hsun Chen

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

AI总结 本文提出CodePromptZip框架，通过程序分析识别代码token类型并进行消融分析，训练小型LM实现灵活压缩，提升编码任务性能。

Comments Accepted at Findings of ACL 2026

Beyond Relevance: Utility-Centric Retrieval in the LLM Era

超越相关性：在大语言模型时代以效用为中心的检索

Hengran Zhang, Minghao Tang, Keping Bi, Jiafeng Guo

机构 * State Key Laboratory of AI Safety, ICT, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文探讨了在大语言模型时代，检索系统从以相关性为中心转向以效用为中心的转变，分析了效用与LLM需求及代理RAG的联系，提供设计检索系统的理论基础和实践指导。

Comments Accepted by SIGIR2026

Mnemis: Dual-Route Retrieval on Hierarchical Graphs for Long-Term LLM Memory

Mnemis：基于分层图的双路检索用于长期LLM记忆

Zihao Tang, Xin Yu, Ziyu Xiao, Zengxuan Wen, Zelin Li, Jiaxi Zhou, Hualei Wang, Haohua Wang, Haizhen Huang, Weiwei Deng, Feng Sun, Qi Zhang

机构 * Microsoft（微软） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.CL

AI总结 Mnemis提出一种结合系统1相似性搜索和系统2全局选择机制的新型记忆框架，通过分层图实现语义层次的自顶向下检索，提升长期记忆检索性能。

Comments Accepted to ACL2026

SQuARE: Structured Query & Adaptive Retrieval Engine For Tabular Formats

SQuARE：结构化查询与自适应检索引擎用于表格格式

Chinmay Gondhalekar, Urjitkumar Patel, Fang-Chun Yeh

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

AI总结 SQuARE通过结构化查询和自适应检索引擎解决表格中多行标题、合并单元格等问题，提升表格问答精度与鲁棒性。

Comments Accepted in The IEEE International Workshop on Large Language Models in Finance, Dec 8-11, Macau, China, 2025, Preprint Copy

Journal ref 2025 IEEE International Conference on Big Data (BigData), Macau, China