RAG / 检索增强生成

RADAR: Defending RAG Dynamically against Retrieval Corruption

RADAR: 通过动态防御对抗RAG的检索腐败

Ziyuan Chen, Yueming Lyu, Yi Liu, Weixiang Han, Jing Dong, Caifeng Shan, Tieniu Tan

机构 * School of Intelligence Science and Technology, Nanjing University, Suzhou, China（南京大学智能科学与技术学院，中国，苏州） ； City University of Hong Kong, Hong Kong, China（香港城市大学，中国，香港） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所，北京，中国） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 RADAR通过将可靠的上下文选择建模为图基能最小化问题，利用最大流最小割算法进行精确求解，采用贝叶斯记忆节点递归更新信念状态，以平衡稳定性和对抗性攻击，同时适应真实知识变化，在动态数据集上实现了比基线方法更优越的鲁棒性和响应质量，且存储开销小。

RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems

RAGCap-Bench: 评估代理检索增强生成系统中LLM能力的基准测试

Jingru Lin, Chen Zhang, Stephen Y. Liu, Haizhou Li

机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出RAGCap-Bench，用于评估代理检索增强生成系统中中间任务的细粒度能力，通过分析现有系统输出识别常见任务和核心能力，设计针对性评估问题，实验表明增强中间能力的模型能获得更好的整体性能。

A Comparative Study of Language Models for Khmer Retrieval-Augmented Question Answering

一种用于柬埔寨检索增强问答的语言模型比较研究

Sereiwathna Ros, Phannet Pov, Ratanaktepi Chhor, Kimleang Ly, Wan-Sup Cho, Saksonita Khoeurn

机构 * Department of Computer Science, Chungbuk National University（Chungbuk National University 计算机科学系） ； Department of Big Data, Chungbuk National University（Chungbuk National University 大数据系） ； General Department of Information and Communication Technology, Ministry of Post and Telecommunications（邮电部信息和通信技术总局） ； Department of Management Information Systems, Chungbuk National University（Chungbuk National University 管理信息系统系） ； BigDatalabs Co., Ltd（BigDatalabs 公司） 纠错

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

AI总结 本文针对低资源非拉丁语种柬埔寨语言，比较了多种语言模型在检索增强问答任务中的性能，发现检索器选择是影响效果的关键因素，生成器在不同指标上表现各异。

Comments 14 pages, 1 figure,

Claim-Selective Certification for High-Risk Medical Retrieval-Augmented Generation

面向高风险医疗检索增强生成的声明选择性认证

Shao Kan

机构 * Jinglue Technology Development (Nanjing) Co., Ltd.（Jinglue 技术发展（南京）有限公司） 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 本文研究了高风险医疗问答场景中检索增强生成系统中声明选择性认证问题，通过将响应分解为可验证的声明并根据检索证据评分，结合意图感知选择器映射到{完整、部分、冲突、回避}，在弱标签证书协议上实现了高准确率的认证结果。

Comments 22 pages, 7 figures, 11 tables