RAG / 检索增强生成

A Hybrid Retrieval and Reranking Framework for Evidence-Grounded Retrieval-Augmented Generation

一种混合检索与重排序框架用于证据导向的检索增强生成

Fariba Afrin Irany, Sampson Akwafuo

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

AI总结 本文提出一种混合检索与重排序框架，用于生物医学和医疗相关文档问答中的引用感知RAG，通过亚马逊Bedrock知识库进行文档处理，并通过Cohere重排序提升相关性，最终实现高准确率的证据基础生成。

E-MIA: Exam-Style Black-Box Membership Inference Attacks against RAG Systems

E-MIA：针对RAG系统的考试风格黑盒成员推断攻击

Zelin Guan, Shengda Zhuo, Zeyan Li, Jinchun He, Wangjie Qiu, Zhiming Zheng, Shuqiang Huang

机构 * College of Cyber Security, Jinan University（济南大学网络安全学院） ； School of Computer Science, Shanghai Jiaotong University（上海交通大学计算机科学学院） ； Institute of Artificial Intelligence, Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, Beihang University（北京航空航天大学人工智能研究院） ； Zhongguancun Laboratory, Beijing（中关村实验室） 纠错

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

AI总结 本文提出E-MIA，通过将目标文档中的可验证硬证据转化为包含四种客观评分题型的考试，利用多证据目标问题的综合考试分数作为成员信号，提升在严格设置下的成员/非成员分离能力，同时保持自然隐蔽的查询。

Beyond Semantic Relevance: Counterfactual Risk Minimization for Robust Retrieval-Augmented Generation

超越语义相关性：为鲁棒检索增强生成的反事实风险最小化

Peiyang Liu, Qiang Yan, Ziqiang Cui, Di Liang, Xi Wang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家工程研究中心，北京大学） ； City University of Hong Kong（香港城市大学） ； Tencent Technology（腾讯科技） ； Peking University（北京大学） 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

AI总结 本文提出CoRM-RAG框架，通过因果干预模拟用户偏差来提升检索鲁棒性，在对抗性场景中优于传统检索器和重排序器。

When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation

当良好的OCR不够：为检索增强生成系统评估OCR鲁棒性

Lin Sun, Wang Dexian, Jingang Huang, Linglin Zhang, Change Jia, Zhengwei Cheng, Xiangzheng Zhang

机构 * Beijing Qiyuan Technology（北京启元科技） 纠错

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

AI总结 本文提出一个针对工业RAG系统的OCR基准，涵盖11种挑战性文档类型，揭示传统OCR指标无法准确衡量真实场景下的RAG性能，指出结构和语义错误会导致检索失败，且该问题在不同类别中表现不同。

HeteroRAG: A Heterogeneous Retrieval-Augmented Generation Framework for Medical Vision Language Tasks

HeteroRAG：一种用于医疗视觉语言任务的异构检索增强生成框架

Zhe Chen, Yusheng Liao, Zhiyuan Zhu, Haolin Li, Hongcheng Liu, Yanfeng Wang, Yu Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出HeteroRAG框架，通过异构知识源增强医疗大视觉语言模型，解决异构数据检索问题，提升事实准确性与可靠性。

Comments ACL 2026 Findings

Verbal-R3: Verbal Reranker as the Missing Bridge between Retrieval and Reasoning

Verbal-R3：作为检索与推理之间缺失桥梁的语义重排序

Sangkwon Park, Donghun Kang, Jisoo Mok, Sungroh Yoon

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电子与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目） ； AIIS, ASRI, INMC, and ISRC, Seoul National University（首尔国立大学人工智能研究所、人工智能研究室、智能网络研究中心和智能系统研究中心） ； DGIST（延世大学） 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.CL、cs.AI

AI总结 本文提出Verbal-R3框架，通过语义注释增强LLM的推理能力，实现检索与推理的高效整合，提升问答任务性能。

Comments ACL 2026 Main Conference

KG-First, LLM-Fallback: A Hybrid Microservice for Grounded Skill Search and Explanation

基于知识图谱与大语言模型的混合微服务：面向 grounded skill search 和解释的 hybrid 方法

Ngoc Luyen Le, Marie-Hélène Abel, Bertrand Laforge

机构 * UTC（UTC大学） ； LPNHE（LPNHE研究所） 纠错

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

AI总结 本文提出 SkillGraph-Service 微服务，通过统一权威能力框架资源构建知识图谱，结合符号严谨与子符号灵活，实现教育者查询中的词汇不匹配处理，并利用大语言模型进行约束排序和受众感知解释，实验证明其在多语言数据集上具有高检索效果和低延迟。

Led to Mislead: Adversarial Content Injection for Attacks on Neural Ranking Models

导致误导：针对神经排序模型的对抗性内容注入攻击

Amin Bigdeli, Amir Khosrojerdi, Radin Hamidi Rad, Morteza Zihayat, Charles L. A. Clarke, Ebrahim Bagheri

机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； Mila – Quebec AI Institute（魁北克AI研究院） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） 纠错

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

AI总结 本文提出CRAFT框架，通过生成对抗性数据集、监督微调和偏好引导优化，提升对抗性攻击效果，验证了生成式AI在排序操纵中的风险。