RAG / 检索增强生成

Reducing Redundancy in Retrieval-Augmented Generation through Chunk Filtering

通过分块过滤减少检索增强生成中的冗余

Daria Berdyugina, Anaëlle Cohen, Yohann Rioual

机构 * AI Lab – VO2 Group（AI实验室–VO2小组） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 本文通过语义、主题和命名实体过滤策略减少检索增强生成中的冗余，实验表明实体过滤可减少向量索引大小25%-36%并保持高检索质量。

Question-Adaptive Graph Learning for Multi-hop Retrieval Augmented Generation

针对多跳检索的问答图学习

Yuchen Yan, Peiyan Zhang, Zhihua Liu, Hao Wang, Yatao Bian, Weiming Li, Xiaoshuai Hao

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； Hong Kong University of Science（香港科学大学） 纠错

专题命中 长文档RAG ：retrieval augmented generation(title)；RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出一种多跳问答检索的图学习框架，通过多信息层级知识图和问题自适应图神经网络，提升复杂语义问题的理解与噪声抑制能力，实验表明在高跳数问题上提升33.8%。

Comments Accepted by SIGIR2026

AdaComp: Extractive Context Compression with Adaptive Predictor for Retrieval-Augmented Large Language Models

AdaComp: 基于自适应预测器的提取式上下文压缩用于检索增强型大语言模型

Qianchi Zhang, Hainan Zhang, Liang Pang, Hongwei Zheng, Zhiming Zheng

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算先进创新中心） ； School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

专题命中 长文档RAG ：RAG(summary_cn,abstract)；retriever(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出AdaComp，一种低开销的提取式上下文压缩方法，通过自适应确定压缩率来平衡RAG的效率与性能，实验表明其在保持性能的同时显著降低了推理成本。

Comments Accepted to KSEM 2026

BRIEF-Pro: Universal Context Compression with Short-to-Long Synthesis for Fast and Accurate Multi-Hop Reasoning

BRIEF-Pro：基于短到长合成的通用上下文压缩用于快速准确的多跳推理

Jia-Chen Gu, Junyi Zhang, Di Wu, Yuankai Li, Kai-Wei Chang, Nanyun Peng

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

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 BRIEF-Pro通过短到长合成实现通用上下文压缩，提升多跳推理的效率和准确性，适用于多种语言模型。

Comments Accepted by ACL 2026 Findings. Code and data: https://github.com/JasonForJoy/BRIEF

From Similarity to Structure: Training-free LLM Context Compression with Hybrid Graph Priors

从相似性到结构：基于混合图先验的训练自由LLM上下文压缩

Yitian Zhou, Chaoning Zhang, Jiaquan Zhang, Zhenzhen Huang, Jinyu Guo, Sung-Ho Bae, Lik-Hang Lee, Caiyan Qin, Yang Yang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； Department of Computer Science and Engineering, Kyung Hee University（Kyung Hee大学计算机科学与工程系） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（香港理工大学工业与系统工程系） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区机器人与先进制造学院） 纠错

专题命中 长文档RAG ：dense retrieval(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种无需训练的上下文压缩框架，利用混合图先验选择句子，通过构建稀疏句子图、提取主题骨架并结合可解释评分进行冗余抑制，实验证明在长文档基准上表现更优。