RAG / 检索增强生成

MindMelody: A Closed-Loop EEG-Driven System for Personalized Music Intervention

MindMelody：一种基于EEG的闭环个性化音乐干预系统

Yimeng Zhang, Yueru Sun, Haoyu Gu, Zhanpeng Jin

机构 * South China University of Technology（南方科技大学） 纠错

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

AI总结 本文提出MindMelody系统，通过EEG信号实时生成个性化音乐，结合Transformer-GNN和RAG-LLM实现情绪感知与音乐生成的闭环控制，提升情感适应性与用户参与度。

Query-Conditioned Knowledge Alignment for Reliable Cross-System Medical Reasoning

基于查询的知识对齐用于可靠的跨系统医学推理

Yan Jiao, Jingran Xu, Pin-Han Ho, Limei Peng

机构 * Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学） ； Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系） ； School of Computer Science and Engineering, Kyungpook National University（庆北国立大学计算机科学与工程学院） 纠错

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

AI总结 本文提出了一种基于查询的知识对齐方法QCEA，通过将实体对齐问题转化为查询条件下的对应关系问题，以提升跨系统医学推理的可靠性，主要贡献是引入了方向感知变换模块以捕捉异构知识系统中的非对称和多对多对应关系。

Prior Knowledge Makes It Possible: From Sublinear Graph Algorithms to LLM Test-Time Methods

先验知识使其成为可能：从次线性图算法到LLM测试时方法

Avrim Blum, Daniel Hsu, Cyrus Rashtchian, Donya Saless

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究） 纠错

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

AI总结 本文研究了测试时增强方法中先验知识与外部信息交互的理论基础，通过将多步推理建模为知识图中的s-t连通性问题，揭示了在部分先验知识下，测试时增强步骤数量与图结构之间的关系，发现当知识图中存在小组件时，增强步骤数呈平方根增长，而当知识密度超过阈值形成大组件时，增强步骤数趋于常数。

RAGA: Reading-And-Graph-building-Agent for Autonomous Knowledge Graph Construction and Retrieval-Augmented Generation

RAGA：用于自主知识图谱构建和检索增强生成的阅读与图构建代理

Chengrui Han, Zesheng Cheng

机构 * Qingdao University（青岛大学） 纠错

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

AI总结 本文提出RAGA框架，通过结合阅读、搜索、验证和构建的认知约束，提升知识图谱构建与检索增强生成的效率和准确性，实现了知识图谱的全生命周期管理。

Three Heads Are Better Than One: A Multi-perspective Reasoning Framework for Enhanced Vulnerability Detection

三个头比一个好：一种多视角推理框架以增强漏洞检测

Xin Peng, Bo Lin, Jing Wang, Xiaoling Li, Jun Ma, Jie Yu, Xiaoguang Mao, Shangwen Wang

专题命中 图谱与结构化RAG ：RAG(abstract,abstract_cn)

AI总结 本文提出ReasonVul，一种多视角推理框架，通过三个专门的LLM代理的认知协同，提高漏洞检测的准确性和全面性，其在PrimeVul数据集上实现了40.00%的PairAcc和72.52%的F1分数，优于现有基线方法。

PIPER: Content-Based Table Search via profiling and LLM-Generated Pseudoqueries

PIPER: 通过 profiling 和 LLM 生成的伪查询实现基于内容的表格搜索

Riccardo Terrenzi, Matteo Falconi, Serkan Ayvaz, Pierluigi Plebani

机构 * Centre for Industrial Software, University of Southern Denmark（丹麦南部大学工业软件中心） ； Department of Electronics, Information and Bioengineering, Politecnico di Milano（米兰理工学院电子、信息与生物工程系） 纠错

专题命中 图谱与结构化RAG ：dense retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 针对数据湖、数据空间和开放数据门户中表格数据集快速增长的问题，PIPER 提出了一种基于内容的表格搜索方法，利用表格 profile 和 LLM 生成的伪查询进行密集检索，优于传统元数据方法和 TableQA 检索方法，展示了 LLM 基于内容建模在表格数据集搜索中的价值。

Comments 15 pages, 3 figures, accepted at DEXA'26