RAG / 检索增强生成

ADMIT: Few-shot Knowledge Poisoning Attacks on RAG-based Fact Checking

ADMIT: RAG基事实核查中的少样本知识污染攻击

Yutao Wu, Xiao Liu, Yinghui Li, Yifeng Gao, Yifan Ding, Jiale Ding, Xiang Zheng, Xingjun Ma

机构 * Deakin University（德金大学） ； Fudan University（复旦大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 ADMIT提出一种无需访问目标模型的少样本攻击方法，通过注入真实证据来翻转事实核查决策，实验显示其在多种系统中成功率达86%，揭示了RAG事实核查系统的重大漏洞。

DebiasRAG: A Tuning-Free Path to Fair Generation in Large Language Models through Retrieval-Augmented Generation

DebiasRAG: 通过检索增强生成实现大型语言模型中公平生成的无调优路径

Rui Chu, Bingyin Zhao, Thanh Quoc Hung Le, Duy Cao Hoang, Huawei Lin, Ping Li, Weijie Zhao, Khoa D Doan, Yingjie Lao

机构 * Huawei（华为） 纠错

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

AI总结 本文提出DebiasRAG，一种基于检索增强生成的无调优动态查询特定去偏框架，通过生成查询特定去偏候选、构建上下文候选池和梯度更新去偏引导上下文重排序三阶段，提升生成公平性并保留LLM固有属性。

Fairness-Aware Retrieval Optimization for Retrieval-Augmented Generation

面向公平性的检索优化用于检索增强生成

Yingqi Zhao, Vasilis Efthymiou, Jyrki Nummenmaa, Kostas Stefanidis

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

AI总结 本文提出一种公平性感知的检索框架，通过重排序引入可控偏差，结合位置感知的偏差传播模型和优化公式平衡相关性和公平性，实验表明有效缓解生成偏差同时保持相关性。

Retrieval-Augmented Large Language Models for Schema-Constrained Clinical Information Extraction

基于检索增强的大型语言模型用于受模式约束的临床信息提取

A H M Rezaul Karim, Ozlem Uzuner

机构 * George Mason University（乔治·马歇尔大学） 纠错

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

AI总结 本文提出一种模块化检索增强生成框架，通过schema约束提示、确定性后处理和二次审核，提升护士-患者对话中观察提取的F1分数达80.36%。

Building Specialized Software-Assistant ChatBot with Graph-Based Retrieval-Augmented Generation

构建基于图的检索增强生成专用软件助手聊天机器人

Mohammed Hilel, Yannis Karmim, Jean De Bodinat, Reda Sarehane, Antoine Gillon

机构 * RAKAM AI ； Lemon Learning 纠错

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

AI总结 本文提出基于图的检索增强生成框架，将企业Web应用转换为状态-动作知识图，使LLM生成基于上下文的可靠帮助，通过与RAKAM和Lemon Learning的合作，展示了工程流程、图检索设计及生产DAP工作流整合。

Comments Accepted at ICMLC 2026

"Someone Hid It": Query-Agnostic Black-Box Attacks on LLM-Based Retrieval

有人隐藏了它：针对基于大语言模型的检索的查询无关黑盒攻击

Jiate Li, Defu Cao, Li Li, Wei Yang, Yuehan Qin, Chenxiao Yu, Tiannuo Yang, Ryan A. Rossi, Yan Liu, Xiyang Hu, Yue Zhao

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

AI总结 本文提出一种无需查询或模型知识的黑盒攻击方法，通过零样本代理LLM生成可迁移的注入标记，揭示LLM检索系统的脆弱性。

DeepSlide: From Artifacts to Presentation Delivery

DeepSlide：从瑕疵到演示交付

Ming Yang, Zhiwei Zhang, Jiahang Li, Haoseng Liu, Yuzheng Cai, Weiguo Zheng

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

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

AI总结 DeepSlide是一种人机协同的多智能体系统，旨在优化演示全过程，从需求获取到脚本生成，提升演示的动态表现力和叙事流畅性。

Comments 37 pages,10 figures,9 tables

RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition

RAR：用于视觉识别的检索与排序增强多模态大语言模型

Ziyu Liu, Zeyi Sun, Yuhang Zang, Wei Li, Pan Zhang, Xiaoyi Dong, Yuanjun Xiong, Dahua Lin, Jiaqi Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； MThreads, Inc.（MThreads公司） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 RAR结合CLIP的检索与MLLM的排序，提升细粒度识别精度，增强少样本和零样本任务表现。

Comments Project: https://github.com/Liuziyu77/RAR

A Retrieval-Enhanced Transformer for Multi-Step Port-of-Call Sequence Prediction in Global Liner Shipping

一种增强检索的变压器用于全球集装箱航运多步骤港口序列预测

Yanzhao Su, Fang He, Yineng Wang

机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系） ； Department of Logistics and Maritime Studies, The Hong Kong Polytechnic University（香港理工大学物流与海运研究系） 纠错

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

AI总结 本文提出CCRE框架，通过检索增强的历史编码器和Transformer轨迹编码器，提升多步骤港口序列预测的准确性和稳定性，实验结果显示其在第一目的地和三步预测上的准确率显著高于基线模型。

PCASim: Promptable Closed-loop Adversarial Simulation for Urban Traffic Environment

PCASim：可提示的闭环对抗模拟用于城市交通环境

Chuancheng Zhang, Zhenhao Wang, Kaizheng Li, Yaran Lin, Qiang Guo, Bin Jiang

机构 * Shenzhen Research Institute of Shandong University（山东大学深圳研究院） ； School of Airspace Science and Engineering（空天科学与工程学院） ； School of Computer Science and Technology（计算机科学与技术学院） 纠错

专题命中 检索器与排序 ：knowledge retrieval(abstract)

AI总结 本文提出PCASim框架，通过结合对抗场景生成与安全代理训练，提升城市交通环境中的安全性和鲁棒性，实验表明其在领域特定语言生成准确率、场景转换成功率和避障能力方面均有显著提升。

An LLM-RAG Approach for Healthy Eating Index-Informed Personalized Food Recommendations

一种基于LLM-RAG的健康饮食指数指导的个性化食品推荐方法

Yibin Wang, Yanjie Yang, Grace Melo Guerrero, Rodolfo M. Nayga, Azlan Zahid

机构 * Department of Biological and Agricultural Engineering, Texas A&M AgriLife Research（生物与农业工程系，德克萨斯A&M农业生命研究） 纠错

专题命中 向量检索 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出一种结合标准化营养数据库与大语言模型的LLM-RAG框架，通过健康饮食指数（HEI）指导实现个性化食品推荐，实验结果显示HEI平均提升6.45，用户HEI超过50的比例提升至61.26%。

Decoupling Vector Data and Index Storage for Space Efficiency

向量数据与索引存储解耦以提高空间效率

Yuanming Ren, Juncheng Zhang, Yanjing Ren, Rui Yang, Di Wu, Patrick P. C. Lee

专题命中 向量检索 ：vector search(abstract)；分类 cs.DB

AI总结 本文提出COMPASS框架，通过解耦向量数据与索引存储，利用不同组件的压缩特性减少存储空间，同时保持搜索和更新性能。

Granite Embedding Multilingual R2 Models

Granite嵌入多语言R2模型

Parul Awasthy, Aashka Trivedi, Yushu Yang, Ken Barker, Yulong Li, Bhavani Iyer, Martin Franz, Juergen Bross, Meet Doshi, Vignesh P, Vishwajeet Kumar, Todd Ward, Abraham Daniels, Madison Lee, Luis Lastras, Jaydeep Sen, Radu Florian

专题命中 向量检索 ：dense retrieval(abstract)；分类 cs.IR

AI总结 本文提出多语言Granite嵌入R2模型，支持200多种语言和编程代码，提供32768token上下文窗口和最先进的多语言检索性能。

Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG

不要检索，导航：将企业知识转化为可导航的代理技能用于问答和RAG

Yiqun Sun, Pengfei Wei, Lawrence B. Hsieh

机构 * Magellan Technology Research Institute（马格纳技术研究 institute） 纠错

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

AI总结 本文提出Corpus2Skill，通过将文档库转化为层次化技能目录，使LLM代理在服务时能导航该目录，提升问答质量和 grounding，但指出导航并非所有场景下的最佳替代方案。

A3D: Agentic AI flow for autonomous Accelerator Design

A3D: 基于代理AI的自主加速器设计流程

Abinand Nallathambi, Christopher Knight, Shantanu Ganguly, Wilfried Haensch, Anand Raghunathan

机构 * Purdue University（普渡大学） ； Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） 纠错

专题命中 长文档RAG ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 A3D通过代理AI实现端到端的硬件加速器设计自动化，自动分析工作负载、识别性能瓶颈、生成微架构并探索速度-面积权衡空间，利用LLM和EDA工具提升复杂应用的加速器设计效率。

Eskwai for Students: Generative AI Assistant for Legal Education in Ghana

Eskwai for Students：面向加纳法律教育的生成式AI助手

George Boateng, Philemon Badu, Patrick Agyeman-Budu, Samuel Ansah, Evans Atompoya, Evan Igwilo, Lord Baah, Frederick Abu-Bonsrah, Victor Wumbor-Apin Kumbol

机构 * ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） ； Charité - Universitätsmedizin Berlin, Germany（柏林夏里特医学院） ； Kwame AI Inc., U.S.（美国瓦卡姆AI公司） 纠错

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

AI总结 本文介绍了Eskwai for Students，一个基于检索增强生成（RAG）的生成式AI助手，用于帮助加纳法律学生解答法律问题，通过超过12000份案例法和1400项立法数据库，评估其对学生查询的帮助性及伦理影响。

Comments 10 pages. Accepted at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)

Falkor-IRAC: Graph-Constrained Generation for Verified Legal Reasoning in Indian Judicial AI

Falkor-IRAC：用于印度司法AI的图约束生成：在验证法律推理中的应用

Joy Bose

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出Falkor-IRAC框架，通过图约束生成解决印度法律AI中的验证法律推理问题，利用IRAC知识图谱进行结构化推理，并通过验证代理检查生成路径的正确性。

Comments 20 pages, 8 figures, 4 tables

To GPU or Not to GPU: Vector Search in Relational Engines

在GPU上进行还是不进行GPU操作：关系引擎中的向量搜索

Vasilis Mageirakos, Joel André, Marko Kabić, Bowen Wu, Yannis Chronis, Gustavo Alonso

专题命中 图谱与结构化RAG ：vector search(title,abstract)；分类 cs.DB

AI总结 本文探讨了在关系引擎中集成GPU进行向量搜索的必要性，通过扩展TPC-H基准测试并设计SQL+VS查询，开发了跨CPU和GPU的执行引擎，并通过实验发现GPU在处理关系组件时更高效，但向量搜索部分需优化索引结构以提升性能。

Comments preprint

KG-HTC: Integrating Knowledge Graphs into LLMs for Effective Zero-shot Hierarchical Text Classification

KG-HTC：将知识图谱整合进LLMs以实现有效的零样本层次文本分类

Qianbo Zang, Christophe Zgrzendek, Igor Tchappi, Afshin Khadangi, Johannes Sedlmeir

机构 * Interdisciplinary Centre for Security, Reliability and Trust (SnT)（安全、可靠与信任交叉学科中心） 纠错

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

AI总结 本文提出KG-HTC方法，通过整合知识图谱与大语言模型，解决层次文本分类中标注数据不足、标签空间大和长尾分布等问题，实验表明其在零样本设置下表现优异。

Trojan Hippo: Weaponizing Agent Memory for Data Exfiltration

Trojan Hippo：利用代理记忆进行数据外泄

Debeshee Das, Julien Piet, Darya Kaviani, Luca Beurer-Kellner, Florian Tramèr, David Wagner

机构 * ETH Z\"urich 纠错

专题命中 RAG评测 ：RAG(abstract,abstract_cn)；分类 cs.AI

AI总结 研究提出Trojan Hippo攻击，通过单次不可信工具调用在代理长期记忆中植入潜伏载荷，当用户讨论敏感话题时激活并外泄数据。通过动态评估框架评估不同内存架构和防御措施，发现现有防御措施在安全性和实用性之间存在显著权衡。