RAG / 检索增强生成

Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm

Bridge-RAG：一种基于抽象桥树的检索增强生成算法

Zihang Li, Wenjun Liu, Yikun Zong, Jiawen Tao, Siying Dai, Songcheng Ren, Zirui Liu, Yuhang Wang, Yanbing Jiang, Tong Yang

机构 * Peking University（北京大学） 纠错

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

AI总结 针对检索增强生成中准确性和效率的挑战，提出Bridge-RAG框架，通过抽象桥树结构实现多级检索，并集成布谷鸟过滤器实现O(1)实体查找，在保持高准确率的同时将检索速度提升至1.9倍。

Can It Reach the Generator? Investigating the Survival of Prompt-Injection Attacks in Realistic RAG Settings

它能到达生成器吗？探究真实RAG设置中提示注入攻击的存活情况

Yu Yin, Shuai Wang, Bevan Koopman, Guido Zuccon

专题命中 检索器与排序 ：RAG(title,title_cn)；retriever(abstract)；分类 cs.IR

AI总结 本文在真实的三阶段RAG流水线（检索器→LLM重排序器→LLM生成器）中重新评估了七种生成式引擎优化（GEO）攻击，发现基于梯度和指令覆盖的攻击在到达生成器前大多失效，仅LLM驱动的提示注入保持端到端有效，且所有攻击易被轻量级防护检测。

Comments 18 pages, 6 figures

P$^2$RAG: Efficient Privacy-Preserving RAG Service Supporting Arbitrary Top-$k$ Retrieval

P$^2$RAG: 支持任意Top-$k$检索的高效隐私保护RAG服务

Yulong Ming, Mingyue Wang, Jijia Yang, Jie Xu, Zihan Wu, Cong Wang, Xiaohua Jia

机构 * City University of Hong Kong（香港城市大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 针对现有隐私保护RAG系统无法灵活支持大k值且效率低下的问题，提出基于秘密共享和交互式二分法的P$^2$RAG系统，避免排序开销，实现高效且安全的任意top-$k$检索。

Comments 14 pages, 3 figures

Mindscape-Aware Retrieval Augmented Generation for Improved Long Context Understanding

心智景观感知的检索增强生成以改进长上下文理解

Yuqing Li, Jiangnan Li, Zheng Lin, Ziyan Zhou, Junjie Wu, Weiping Wang, Jie Zhou, Mo Yu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； WeChat AI, Tencent（腾讯微信AI） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 提出MiA-RAG框架，通过层次化摘要构建心智景观并统一检索与生成的条件，实现全局语义表示指导下的长上下文检索与推理。

Anytime-Valid Federated Conformal RAG for LLM Swarms

面向LLM群体的任意有效联邦共形RAG

Prasanjit Dubey, Xiaoming Huo

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H.米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） 纠错

专题命中 检索器与排序 ：RAG(title,title_cn)

AI总结 提出Anytime-FC-RAG，通过可累积的逐步校准偏差预算和截断投注e过程，将联邦共形RAG扩展到任意停止时间均有效的序贯覆盖，并保证时间均匀报警有效性、Hoeffding拼接累积误覆盖包络及自适应控制下的安全性。

ClinicBot: A Guideline-Grounded Clinical Chatbot with Prioritized Evidence RAG and Verifiable Citations

ClinicBot：基于指南的临床聊天机器人，具有优先证据RAG和可验证引用

Navapat Nananukul, Mayank Kejriwal

机构 * USC Information Sciences Institute（USC信息科学研究所） 纠错

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

AI总结 提出ClinicBot系统，通过结构化提取指南、按临床重要性排序证据和多智能体协作，生成准确、可验证的临床回答。

Co-creation of AI technology, empowering curators of cultural heritage information and guarding research commons

AI技术的共创：赋能文化遗产信息策展人并守护研究公地

Andrea Scharnhorst, Han Yang, Jetze Touber, Kim Ferguson, Philipp Mayr, Vyacheslav Tykhonov

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

AI总结 本文通过描述在文化遗产数字收藏中应用检索增强生成（RAG）技术的工程历程，展示了AI技术如何赋能策展人并保护研究公地。

Comments 30 pages, chapter in the book Understanding Science with Large Language Models? (pp. 383-412). transcript. Edited by Arno Simons, Adrian Wüthrich, Michael Zichert, Gerd Graßhoff (eds.)

SERC: LDPC-Inspired Semantic Error Correction for Retrieval-Augmented Generation

SERC: 受LDPC启发的检索增强生成语义纠错方法

Gyumin Kim, Juhwan Park, Jaeha Kim, Seunggyun Han, Kyungrak Son, Ikbeom Jang

机构 * Department of Information Communications Engineering, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学信息通信工程系） ； Division of Computer Engineering, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学计算机工程系） ； Department of Statistics, Hankuk University of Foreign Studies, Republic of Korea（韩国外国语大学统计学系） 纠错

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

AI总结 针对大语言模型幻觉问题，提出受LDPC码启发的语义纠错框架SERC，通过稀疏验证策略高效检测和纠正生成文本中的错误。

Comments 15 pages, 2 figures, 6 tables. To appear in the Proceedings of the 28th International Conference on Pattern Recognition (ICPR 2026). Code available at https://github.com/labhai/SERC

CogniVerse: Revolutionizing Multi-Modal Retrieval-Augmented Generation with Cognitive Reflection and Geometric Reasoning

CogniVerse: 用认知反思与几何推理革新多模态检索增强生成

Xiang Fang, Wanlong Fang, Changshuo Wang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 提出CogniVerse框架，通过认知反思模块、基于黎曼流形对齐的多模态检索模块和最优传输层次生成模块，解决多模态检索增强生成中的噪声检索、跨模态语义错位和生成不连贯问题。

Comments Accepted in CVPR 2026

LexPath: A domain-oriented multi-path framework for legal article retrieval

LexPath: 面向领域的多路径法律条文检索框架

Weixuan Liu, Qingfeng Zhuge, Xuyang Chen

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

AI总结 提出LexPath多路径框架，通过IRAC引导的稀疏路径和结构引导的稠密路径进行候选条文检索，并利用意图一致性评分重排序，在公开和专业基准上优于现有检索方法。

Latent Terms: Dense Retrievers Contain Trivially Extractable BM25-ready Zipfian Vocabularies

潜在词：密集检索器包含可轻易提取的符合齐夫分布的BM25就绪词汇表

Benjamin Clavié, Sean Lee, Aamir Shakir, Makoto P. Kato

机构 * Mixedbread AI ； National Institute of Informatics（国家信息研究所） ； University of Tsukuba（筑波大学） 纠错

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

AI总结 提出潜在词方法，揭示密集检索模型（单向量或多向量）学习到的表示可轻易分解为稀疏特征，通过稀疏自编码器提取潜在词汇表，无需检索特定调整即可直接用于BM25稀疏检索，匹配或超越原模型及SPLADE变体。

Entity-Collision: A Stratified Protocol for Attributing Retrieval Lift in Agent Memory

实体碰撞：一种用于归因智能体记忆检索提升的分层协议

Youwang Deng

机构 * Independent Researcher（独立研究员） 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 提出实体碰撞协议，通过控制实体重叠和标签分层，将BM25基线固定，从而将检索提升归因于嵌入器，并在多维度实验中揭示编码器容量并非唯一约束。

Comments 48 pages with appendix; 6-page body, mandatory Limitations, References, and 7 appendices. Code, benchmarks, and 37 reproduce scripts: https://github.com/youwangd/engram (see paper/REPRODUCIBILITY.md). Apache 2.0

Teaching Language Models to Check Grounded Claim Factuality with Human Test-Taking Strategies

教会语言模型使用人类应试策略检查基于事实的声明真实性

Yuxuan Ye, Raul Santos-Rodriguez, Edwin Simpson

机构 * Intelligent Systems Laboratory（智能系统实验室） ； University of Bristol（布里斯托大学） 纠错

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

AI总结 将基于事实的声明真实性检查建模为真假阅读理解任务，通过提示语言模型使用明确的应试策略进行高效推理，并训练小语言模型以降低推理成本。

Comments ACL 2026 Main

When Does Persona Prompting Actually Help? A Retrieval and Metric Analysis of Expert Role Injection in LLMs

角色提示何时真正有效？LLM中专家角色注入的检索与度量分析

Shuai Xiao, Su Liu, Weikai Zhou, Jialun Wu, Xinjie He, Zhiyuan Lin, Qiyang Xie

机构 * Independent Researchers（独立研究者） 纠错

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

AI总结 通过对比四种提示条件在1140个开放式问题上的表现，发现角色提示系统性地增加专家深度但降低清晰度，其效果高度依赖于问题类型和领域，且混合检索优于纯嵌入检索。

Comments 6 pages, 2 figures. Submitted for peer review

Small Agent Group is the Future of Digital Health

小型智能体群是数字健康的未来

Yuqiao Meng, Luoxi Tang, Dazheng Zhang, Rafael Brens, Elvys J. Romero, Nancy Guo, Safa Elkefi, Zhaohan Xi

机构 * State University of New York at Binghamton（纽约州立大学布inghamton分校） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本文提出小型智能体群（SAG）通过协作推理替代单一大型模型，在数字健康中实现更优的有效性、可靠性和部署效率。

Comments ICML'26

Statistical Embeddings for Similarity, Retrieval, and Interpretable Alignment of Numeric Tabular Datasets

用于数值表格数据集的相似性、检索和可解释对齐的统计嵌入

M. Ross Kunz, John Merickel, Keith Wilson

机构 * Idaho National Laboratory（爱达荷国家实验室） 纠错

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

AI总结 提出一种通过结构化探索性数据分析描述符、句子变换器嵌入和典型相关分析（CCA）来表征和比较数值表格数据集的方法，实现跨数据集的相似性检索和可解释变量级对齐，并支持差分隐私。

Latency-Quality Routing for Functionally Equivalent Tools in LLM Agents

LLM 代理中功能等价工具的延迟-质量路由

Kexin Chu, Dawei Xiang, Wei Zhang

机构 * University of Connecticut（康涅狄格大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)

AI总结 针对LLM代理中多个功能等价工具提供者的路由问题，提出LQM-ContextRoute上下文强盗路由器，通过延迟-质量匹配和查询特定质量估计，在运行时负载下实现延迟与质量的权衡，在多个基准上优于SW-UCB。

Comments 14 pages, 6 figure, 13 tables