RAG / 检索增强生成

ragR: Retrieval-Augmented Generation and RAG Assessment in R

ragR: R中检索增强生成与RAG评估

Muhammad Aimal Rehman, Zhili Lu, Chi-Kuang Yeh

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

AI总结 ragR是首个在R中集成RAG系统构建与评估的框架，提供文档处理、嵌入存储、相似性检索、生成及RAGAS评估功能，支持四种核心指标评估。

Comments Preprint. Code available at the GitHub repository listed in the paper

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

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。

Structure Guided Retrieval-Augmented Generation for Factual Queries

结构引导的检索增强生成用于事实查询

Miao Xie, Xiao Zhang, Yi Li, Chunli Lv

机构 * College of Information and Electrical Engineering, China Agricultural University, China（中国农业大学信息与电气工程学院） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院） ； Key Laboratory of Agricultural Informatization Standardization, Ministry of Agriculture and Rural Affairs, China（农业信息化标准化 key laboratory, 农业农村部） 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.AI

AI总结 本文提出结构引导的检索增强生成(SG-RAG)，通过嵌入式子图匹配解决事实查询中的精确检索问题，实验表明其在ERQA数据集上性能显著提升。

StratRAG: A Multi-Hop Retrieval Evaluation Dataset for Retrieval-Augmented Generation Systems

StratRAG：用于检索增强生成系统的多跳检索评估数据集

Aryan Patodiya

机构 * Department of Computer Science（计算机科学系） ； California State University, Fresno（加州州立大学，弗雷斯诺分校） 纠错

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

AI总结 本文提出StratRAG数据集，用于评估检索增强生成系统在多跳推理任务中的表现，通过三种检索策略对比，发现混合检索效果最佳，但桥接问题仍较难。

Comments 6 Pages, 3 Table

RADIANT-LLM: an Agentic Retrieval Augmented Generation Framework for Reliable Decision Support in Safety-Critical Nuclear Engineering

RADIANT-LLM：一种用于安全关键核工程中可靠决策支持的代理检索增强生成框架

Zavier Ndum Ndum, Jian Tao, John Ford, Mansung Yim, Yang Liu

机构 * Department of Nuclear Engineering, Texas A\&M University, College Station, TX, USA ； College of Performance, Visualization ； Fine Arts, Texas A\&M University, College Station, TX, USA 纠错

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

AI总结 本文提出RADIANT-LLM框架，通过多模态检索增强生成技术，结合领域知识库和代理层，提升核工程中的决策支持准确性与透明度，降低幻觉风险。

XGRAG: A Graph-Native Framework for Explaining KG-based Retrieval-Augmented Generation

XGRAG：一种用于基于知识图谱检索增强生成的图原生解释框架

Zhuoling Li, Ha Linh Hong Tran Nguyen, Valeria Bladinieres, Maxim Romanovsky

机构 * Berlin Technology Centre（柏林技术中心） ； Deutsche Bank（德意志银行） 纠错

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

AI总结 XGRAG通过图基扰动策略生成因果解释，提升GraphRAG系统的可解释性，在多个问答数据集上实现解释质量提升。

Domain Fine-Tuning vs. Retrieval-Augmented Generation for Medical Multiple-Choice Question Answering: A Controlled Comparison at the 4B-Parameter Scale

领域微调与检索增强生成在医学多选问答中的比较：在4B参数规模下的受控比较

Avi-ad Avraam Buskila

机构 * Department of Information Science and Applied Artificial Intelligence（信息科学与应用人工智能系） 纠错

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

AI总结 研究比较了领域微调与检索增强生成在医学多选问答中的效果，发现领域微调在多数投票准确率上优于通用模型，而检索增强生成未显著提升性能。

IntrAgent: An LLM Agent for Content-Grounded Information Retrieval through Literature Review

IntrAgent：通过文献综述实现内容导向的信息检索的LLM代理

Fengbo Ma, Zixin Rao, Xiaoting Li, Zhetao Chen, Hongyue Sun, Yiping Zhao, Xianyan Chen, Zhen Xiang

机构 * University of Georgia（佐治亚大学） 纠错

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.IR、cs.AI

AI总结 本文提出IntraView任务，设计IntrAgent代理，通过文献综述实现精确信息检索，提出包含315个测试实例的IntraBench基准，展示在七个基础LLM上IntrAgent比现有RAG和研究代理基线高13.2%的跨领域准确性。

Comments Accepted to ACL 2026 main conference

Quantifying and Improving the Robustness of Retrieval-Augmented Language Models Against Spurious Features in Grounding Data

量化并提升检索增强语言模型对基础数据中虚假特征的鲁棒性

Shiping Yang, Jie Wu, Wenbiao Ding, Ning Wu, Shining Liang, Ming Gong, Hongzhi Li, Hengyuan Zhang, Angel X. Chang, Dongmei Zhang

机构 * Simon Fraser University（西蒙弗雷泽大学） ； Microsoft（微软） ； Atlassian ； Tongji University（同济大学） ； The University of Hong Kong（香港大学） ； Canada-CIFAR AI Chair, Amii（加拿大-CIFAR人工智能主席，Amii） 纠错

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

AI总结 本文研究检索增强语言模型对基础数据中虚假特征的鲁棒性问题，提出SURE框架用于量化和提升鲁棒性，分析虚假特征在RAG领域的广泛性与挑战性。

Comments ACL 2026 camera-ready version

Your Reviews Replicate You: LLM-Based Agents as Customer Digital Twins for Conjoint Analysis

你的评价复制你：基于大语言模型的代理作为联合分析的客户数字双胞胎

Bin Xuan, Jungmin Hwang, Hakyeon Lee

机构 * Department of Data Science（数据科学系） ； Seoul National University of Science and Technology（首尔科学技术大学） 纠错

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

AI总结 本文提出利用大语言模型构建的客户数字双胞胎进行联合分析，通过聚合用户评论历史和检索增强生成技术，实现了高效准确的偏好预测，验证了其在市场研究中的可行性。

Comments 12 pages, 3 figures + This abstract introduces an LLM-based Customer Digital Twin framework that replaces human respondents in conjoint analysis with RAG-enhanced customer agents, validated at 87.73% accuracy on Reddit user data, and positions the contribution as a scalable alternative to traditional preference elicitation methods

Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation

多模态检索增强生成中视觉证据的身份解耦匿名化

Zehua Cheng, Wei Dai, Jiahao Sun

机构 * Department of Computer Science University of Oxford, UK 纠错

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

AI总结 本文提出身份解耦MRAG框架，通过在检索与生成之间插入生成匿名化模块，解耦人脸身份与属性，利用生成对抗网络和拒绝采样器实现隐私保护。

Comments ACM International Conference on Multimedia Retrieval 2026

Structure-Grounded Knowledge Retrieval via Code Dependencies for Multi-Step Data Reasoning

通过代码依赖关系进行结构化知识检索以实现多步数据推理

Xinyi Huang

机构 * Simon Fraser University（西蒙弗雷泽大学） 纠错

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

AI总结 本文提出SGKR框架，通过函数调用依赖关系构建图结构，提升多步数据推理任务中知识检索的准确性与相关性。

Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval

Prism-Reranker：超越相关性评分——联合生成贡献与证据以实现代理检索

Dun Zhang

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

AI总结 Prism-Reranker通过联合生成贡献说明和证据片段，提升代理检索性能，其在多个数据集上均取得显著效果。

Comments 28 pages, 5 figures, 4 tables

VisRet: Visualization Improves Knowledge-Intensive Text-to-Image Retrieval

VisRet：可视化改进知识密集型文本到图像检索

Di Wu, Yixin Wan, Kai-Wei Chang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 检索器与排序 ：RAG(abstract,abstract_cn)；retriever(abstract)；分类 cs.CL

AI总结 VisRet通过将文本查询投影到图像模态，提升跨模态检索效果，优于传统方法，在四个基准测试中提升nDCG@30，并提高下游问答准确性。

Comments ACL 2026 Camera Ready

PhySE: A Psychological Framework for Real-Time AR-LLM Social Engineering Attacks

PhySE: 一种用于实时AR-LLM社会工程攻击的心理学框架

Tianlong Yu, Yang Yang, Ziyi Zhou, Jiaying Xu, Siwei Li, Tong Guan, Kailong Wang, Ting Bi

机构 * Hubei University（湖北大学） ； Apple Inc（苹果公司） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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 PhySE通过视觉语言模型的社会上下文训练和自适应心理代理，解决AR-LLM社会工程攻击中的冷启动个性化和静态攻击策略问题，提升实时交互效果。

PrivacyAssist: A User-Centric Agent Framework for Detecting Privacy Inconsistencies in Android Apps

PrivacyAssist：一种以用户为中心的代理框架，用于检测Android应用程序中的隐私不一致

Tran Thanh Lam Nguyen, Edoardo Di Tullio, Barbara Carminati, Elena Ferrari

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

AI总结 PrivacyAssist通过多代理LLM平台检测用户授权权限与开发者声明的敏感数据收集共享实践之间的不一致，提供简洁解释和实时警告以支持明智安装决策。

GLIER: Generative Legal Inference and Evidence Ranking for Legal Case Retrieval

GLIER：生成式法律推理与证据排序用于法律案例检索

Minghan Li, Tianrui Lv, Chao Zhang, Guodong Zhou

机构 * Soochow University（苏州大学） 纠错

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

AI总结 GLIER通过生成式法律推理和证据排序框架，解决法律案例检索中非专业查询与专业文档间的语义鸿沟问题，提升检索的可解释性和准确性。

Comments Accepted to the ACL 2026 main conference

Towards Automated Ontology Generation from Unstructured Text: A Multi-Agent LLM Approach

从非结构化文本自动生成本体：一种多智能体LLM方法

Abid Talukder, Maruf Ahmed Mridul, Oshani Seneviratne

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

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

AI总结 本文提出一种多智能体LLM方法，通过领域特定保险合同实验，验证了在本体生成中规划优先、任务驱动的架构能提升结构质量和查询性。

Personalizing Causal Audio-Driven Facial Motion via Dynamic Multi-modal Retrieval

通过动态多模态检索个性化因果音频驱动面部运动

Xuangeng Chu, Yu Han, Wei Mao, Shih-En Wei

机构 * The University of Tokyo, Codec Avatars Lab, Meta（东京大学，Codec Avatars实验室，Meta） ； Codec Avatars Lab, Meta（Codec Avatars实验室，Meta） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 本文提出一种端到端的因果框架，通过动态多模态风格检索实现个性化因果面部运动生成，解决实时流媒体与高保真个性化之间的矛盾，提升低延迟并利用无结构风格参考。

AsmRAG: LLM-Driven Malware Detection by Retrieving Functionally Similar Assembly Code

AsmRAG：通过检索功能相似的汇编代码实现LLM驱动的恶意软件检测

ElMouatez Billah Karbab

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

AI总结 本文提出AsmRAG框架，利用LLM分析汇编代码，通过语义检索提升恶意软件检测的可解释性与鲁棒性，实验表明其在检测和家族归因任务中达到96%和95%的F1分数。