RAG / 检索增强生成

PRA-RAG: Provably Robust Aggregation in Retrieval-Augmented Generation against Retrieval Corruption

PRA-RAG：检索增强生成中针对检索污染的鲁棒聚合方法

Xue Tan, Yi Zheng, Chang Huo, Yunruo Zhang, Yu Liu, Hao Luan, Zhuyang Yu, Xiaoyan Sun, Ping Chen, Jun Dai

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

AI总结 提出PRA-RAG算法，通过采样检索文本组合并利用嵌入空间几何结构选择鲁棒子集，提供理论鲁棒性保证，在多个基准上将攻击成功率降至1%同时保持71%准确率。

GRACE-RAG: Governed Retrieval Architecture for Canonical Evidence Synthesis, Enabling Lightweight Deployment in Closed-Domain Institutional Settings

GRACE-RAG：用于规范证据合成的受控检索架构，实现封闭领域机构环境中的轻量级部署

Asit Desai, Aman Kumar, Prashant Devadiga

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

AI总结 提出GRACE-RAG架构，通过图增强检索将结构推理外化到检索层，在轻量级模型上实现高质量问答，中规模模型质量提升达20%。

Comments 15 pages, 5 figures, 4 tables. Submitted to COLM 2026

The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems

README.md生成中的代理复杂性幻觉：评估单代理与多代理RAG系统

Abu Saleh, Tesfay Welegebreal Tesfay, Phuong T. Nguyen, Juri Di Rocco, Muhammad Umar Zeshan, Davide Di Ruscio

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

AI总结 通过对比单代理、多代理和开发者引导规划三种RAG架构生成GitHub仓库README文件，发现单代理管道在词汇质量相当的情况下，令牌消耗降低86%、速度提升一倍，而多代理系统结构一致性达98%但存在规划瓶颈，开发者引导规划获得最佳文档质量。

Comments The paper has been peer-reviewed and accepted to the 42nd International Conference on Software Maintenance and Evolution (ICSME 2026)

KidnapRAG: A Black-Box Attack for Hijacking Reasoning in Agentic Retrieval-Augmented Generation Systems

KidnapRAG：针对代理式检索增强生成系统中推理劫持的黑盒攻击

Chanwoo Choi, Euntae Kim, Kyuho Lee, Youngsam Chun, Jinhee Jeong, Eunmi Kim, Myunggyo Oh, Junseo Jang, Buru Chang

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

AI总结 提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。

Comments Preprint

RAG-VisualRec: An Open Resource for Vision- and Text-Enhanced Retrieval-Augmented Generation in Recommendation

RAG-VisualRec: 一种面向电影领域的视觉与文本增强的检索增强生成推荐开放资源

Ali Tourani, Fatemeh Nazary, Yashar Deldjoo

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

AI总结 本文提出RAG-VisualRec，通过结合LLM生成的项目描述和剪辑生成的视觉嵌入，提升多模态推荐系统的检索与生成能力，通过可配置融合策略和质量控制模块提高推荐效果和可复现性。

Comments 30 pages, 9 figures, 7 tables

AGE: Adaptive-masking for Graph Embedding in Graph Retrieval-Augmented Generation

AGE：面向图检索增强生成的图嵌入自适应掩码

Bao Long Nguyen Huu, Atsushi Hashimoto

机构 * OMRON Corporation（欧姆龙公司） ； OMRON SINIC X Corporation（欧姆龙SINIC X公司） 纠错

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

AI总结 提出自适应掩码图嵌入方法AGE，通过类似文本编码器的Transformer结构和可学习节点采样器解决图与文本特征对齐问题，在GraphQA任务中显著提升准确性。

Dual-Confidence Contrastive Decoding for Retrieval-Augmented Generation

双置信对比解码用于检索增强生成

Raymond Li, Md Tawkat Islam Khondaker, Amirhossein Abaskohi, Gabriel Murray, Giuseppe Carenini, Issam H. Laradji

机构 * ServiceNow Research（ServiceNow研究院） ； University of British Columbia（不列颠哥伦比亚大学） 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

AI总结 针对多文档检索增强生成中的内部证据冲突问题，提出无需训练的双置信对比解码方法，结合文档级和词元级置信度选择正负流，在DRQA等基准上取得最佳平均性能。

Aligning Sentence Embeddings to Human Concepts via Sparse Autoencoders

通过稀疏自编码器将句子嵌入与人类概念对齐

Wonseok Shin, Songkuk Kim

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

AI总结 提出使用Top-k稀疏自编码器解耦句子嵌入，使其特征与语义、句法等人类概念对齐，并通过激活引导机制实现可解释的检索重排序。

A Large-Language-Model Supported Personalized Driving Framework for Lane Change in Highway Scenarios

大语言模型支持的高速公路换道场景个性化驾驶框架

Dong Bi, Yongqi Zhao, Paul Kovacevic, Tomislav Mihalj, Ji Zhou, Jiayuan Gong, Arno Eichberger

机构 * Hubei University of Automotive Technology（湖北汽车工业学院） ； Graz University of Technology（格拉茨技术大学） 纠错

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

AI总结 提出一种LLM支持的个性化驾驶框架，通过映射自然语言指令到Apollo规划参数，结合聚类和风格强度排序生成可区分的换道行为，并利用检索增强生成解释隐式指令。

ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

ClinRAG-GRAPH: 基于临床先验的检索增强图模型与领域对抗学习用于乳腺癌pCR预测

Yaofei Duan, Yuhao Huang, Tianyu Zhang, Yuan Gao, Luyi Han, Xin Wang, Xinyu Xie, Xinglong Liang, Chunyao Lu, Muzhen He, Patrick Pang, Yue Sun, Ning Mao, Tao Tan, Ritse Mann

机构 * Department of Medical Imaging, Radboud University Medical Center, Nijmegen, The Netherlands（拉德堡德大学医学中心医学影像科，奈梅亨，荷兰） ； The Netherlands Cancer Institute, Amsterdam, The Netherlands（荷兰癌症研究所，阿姆斯特丹，荷兰） ； Faculty of Applied Sciences, Macao Polytechnic University, Macau, China（澳门理工大学应用科学学院，澳门，中国） ； Boston Children’s Hospital, Harvard Medical School, Boston, USA（波士顿儿童医院，哈佛医学院，波士顿，美国） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong, China（中国科学院香港创新研究院人工智能与机器人创新中心，香港，中国） ； Imaging Division, University Medical Center Utrecht, Utrecht, The Netherlands（乌得勒支大学医学中心影像部，乌得勒支，荷兰） ； Department of Radiology, Fuzhou University Affiliated Provincial Hospital, Fuzhou, China（福州大学附属省立医院放射科，福州，中国） ； Department of Radiology, Yantai Yuhuangding Hospital, Shandong, China（烟台毓璜顶医院放射科，山东，中国） 纠错

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

AI总结 提出ClinRAG-GRAPH框架，通过构建患者内临床先验图、双分支领域对抗学习和大语言模型驱动的子图检索增强模块，实现术前pCR预测，在内部和外部测试集上取得良好性能。

Comments 11 pages, 5 figures

Why Advanced Encoders Lag on Sparse Retrieval? The Answer and an Approach to Bridging Vocabulary Gaps

为什么高级编码器在稀疏检索上落后？答案及弥合词汇鸿沟的方法

Zhichao Geng, Yang Yang

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

AI总结 发现高级编码器在稀疏检索中落后于旧模型的原因是词汇鸿沟：现代分词器使用原始、区分大小写的词汇表导致语义单元冗余。提出词汇迁移框架，通过语义初始化和激活势校准解决该问题，在BEIR上取得SOTA性能。

Comments Accepted at SIGIR 2026

Representation as a Bottleneck for Mechanistic Interpretability: The Manifestation Unit Protocol

表征作为机械可解释性的瓶颈：Manifestation Unit 协议

Hussein Chouman, Wataru Sasaki, Tomokazu Matsui, Hirohiko Suwa, Keiichi Yasumoto

机构 * Ubiquitous Computing Systems Laboratory, Nara Institute of Science and Technology, Nara, Japan（奈良先端科学技术大学院大学普适计算系统实验室） 纠错

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

AI总结 提出 Manifestation Unit 协议，将组件分析结果组织为结构化字段，通过混合检索实现可重用和可查询，在视觉和语言模型上验证了其优于非结构化基线，并揭示了核心字段。

Comments 65 pages. Interactive demos: https://manifestation-xai.github.io/manifestation-transformers/ , https://manifestation-xai.github.io/manifestation-cnn

RACORN-1: Adaptive Recall-Preserving Speedup for Low-Selectivity Filtered Vector Search

RACORN-1: 面向低选择性过滤向量搜索的自适应保召回加速方法

Yoonseok Kim, Gyusik Choe

专题命中 向量检索 ：vector search(title,abstract)；RAG(abstract,abstract_cn)；分类 cs.IR、cs.DB

AI总结 针对ACORN-1在低选择性下召回率崩溃的问题，提出RACORN-1，通过自适应搜索回退（ASF）利用过滤失败节点作为临时桥梁恢复连通性，并引入自适应精确回退（AEF）处理极低选择性场景，在保持高召回的同时实现9-26倍加速。

Comments 13 pages, 11 figures, 10 tables

FeLoG: Scalable and Efficient Distributed Graph Embedding with Feedback Loop Mechanism

FeLoG：具有反馈循环机制的可扩展高效分布式图嵌入

Peng Fang, Arijit Khan, Ziqiang Wu, Zhenli Li, Yibo Zhou, Fang Wang, Dan Feng

机构 * Huazhong University of Science and Technology（华中科技大学） ； Bowling Green State University（伯灵顿州立大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)

AI总结 提出FeLoG系统，通过反馈耦合采样与训练、活动感知通信和轮次交错流水线，实现分布式图嵌入的加速和资源高效利用。

Bayesian Uncertainty Propagation for Agentic RAG Pipelines: A Proof-of-Concept Study on Multi-Hop Question Answering

面向智能体RAG管道的贝叶斯不确定性传播：多跳问答的概念验证研究

Louis Donaldson, Connor Walker, Koorosh Aslansefat, Yiannis Papadopoulos

机构 * University of Hull（赫尔大学） 纠错

专题命中 长文档RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出一种不确定性感知的智能体RAG框架，通过贝叶斯网络传播各阶段的不确定性信号，以估计系统级不确定性并定位潜在故障点，在HotpotQA上表现有效，但在StrategyQA上受限于校准问题。

Comments Submitted for 7th International Conference on Maintenance and Intelligent Asset Management (ICMIAM 2026)

SchemaRAG: Dynamic Large Schema Reduction for LLM-driven Structured Information Extraction

SchemaRAG：面向LLM驱动的结构化信息提取的动态大规模模式缩减

Sin Yu Bonnie Ho, Arlie Coles, Erik Larsson, Eric Marshall, Nathan Bodenstab, Paul Vozila

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

AI总结 针对大规模模式导致LLM提取结构化信息时成本高、性能下降的问题，提出SchemaRAG框架，通过检索增强动态缩减输出模式空间，在医疗和电商数据集上实现F1提升8.8%、延迟降低47%、令牌成本降低48%。

Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 6: Industry Track), pages 1114-1127, San Diego, California, USA, July 2026. Association for Computational Linguistics

RareDxR1: Autonomous Medical Reasoning for Rare Disease Diagnosis Beyond Human Annotation

RareDxR1：超越人类标注的罕见病诊断自主医学推理

Deyang Jiang, Haoran Wu, Ziyi Wang, Yiming Rong, Yunlong Zhao, Ye Jin, Bo Xu

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 提出端到端推理大模型RareDxR1，通过知识内化与自主进化学习框架，结合反思增强推理采样和双级课程强化学习，直接从非结构化临床笔记诊断罕见病，无需依赖结构化表型或人类标注，在多个基准上达到最先进准确率。

Comments 7 pages, 3 figures. Accepted to IEEE International Conference on Multimedia and Expo (ICME) 2026

Towards Developing a Multimodal Chat Assistant for University Stakeholders: RAG-based Approach

面向大学利益相关者的多模态聊天助手开发：基于RAG的方法

Md Abu Hanif Shaikh, Abdullah Al Shafi

机构 * Institute of Information and Communication Technology, Khulna University of Engineering & Technology（信息与通信技术研究所，库尔纳工程技术大学） 纠错

专题命中 多模态RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 针对大学利益相关者获取信息困难的问题，提出基于检索增强生成的多模态聊天系统，结合大语言模型与语义检索，支持文本和图像查询，将幻觉率从31.7%降至6.6%。

Comments Accepted at 2025 28th International Conference on Computer and Information Technology (ICCIT)

Journal ref 2025 28th International Conference on Computer and Information Technology (ICCIT)

M2Note: Continual Evolution of Vision Language Models via Mistake Notebook Learning

M2Note: 通过错误笔记本学习实现视觉语言模型的持续演化

Haiwen Li, Jing Tang, Rui Chen, Lei Sun, Xiangxiang Chu

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)

AI总结 提出M2Note，一种无需训练的持续演化框架，通过将失败轨迹转化为可编辑的笔记，利用多模态检索增强生成在推理时引导模型，避免重复错误，并在多个基准上提升性能。

ManimAgent: Self-Evolving Multimodal Agents for Visual Education

ManimAgent: 用于视觉教育的自进化多模态智能体

Wenjia Jiang, Zongyuan Cai, Yuanhang Shao, Chenru Wang, Boyan Han, Zhixue Song, Keyu Chen, Shengwei An, Xu Yang, Zhou Yang

机构 * University of Alberta（阿尔伯塔大学） ； Southeast University（东南大学） ； Virginia Tech（弗吉尼亚理工学院） ； Xidian University（西安电子科技大学） ； Vivavia Inc（Vivavia公司） 纠错

专题命中 多模态RAG ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 提出ManimAgent，通过双通道情节记忆库跨任务传递反思经验，无需权重更新或人工种子，在代码生成任务中提升通过率并减少反思轮次。

Comments Project page: https://manimagent.github.io/. Code: https://github.com/jwj1342/Paper2Manim

Beyond Document Grounding: Span-Level Hallucination Detection over Code, Tool Output, and Documents

超越文档基础：代码、工具输出和文档上的跨度级幻觉检测

Ádám Kovács, Bowei He, Xue Liu, István Boros, Szilveszter Tóth, Gábor Recski

机构 * KR Labs（KR实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； TU Wien（维也纳工业大学） 纠错

专题命中 RAG评测 ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出一个统一的跨度级幻觉检测基准，涵盖代码、工具输出、结构化文档和自然语言RAG数据，通过微调Qwen3.5-2B模型在跨域场景下显著优于现有方法。

Comments 8 pages

Relevance Is Not Permission: Warranted Attention for Value Contributions

相关性并非许可：价值贡献的应有注意

Minwoo Yu, Young-guk Ha

机构 * Smart Computing Laboratory, Department of Computer Science & Engineering, Konkuk University（智能计算实验室，计算机科学与工程系，康肯大学） 纠错

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

AI总结 针对注意力机制中相关项的价值贡献未必成为预测证据的问题，提出Warrant接口，通过学习查询-项许可来调节价值路径，在多个任务上提升主指标。

MetaSyn: A Benchmark for LLM Agents on Meta-Analysis Articles from Nature Portfolio

对Nature Portfolio元分析文章进行LLM代理基准测试

Anzhe Xie, Weihang Su, Yujia Zhou, Yiqun Liu, Min Zhang, Qingyao Ai

机构 * Tsinghua University（清华大学） 纠错

专题命中 RAG评测 ：RAG(abstract_cn)；分类 cs.IR、cs.CL；retriever(comments)

AI总结 提出MetaSyn数据集，包含442篇专家策划的元分析，用于评估LLM代理在检索-筛选-综合全流程中的表现，发现当前系统在筛选阶段存在严重瓶颈。

Comments 17 pages, 8 figures, 11 tables. Code and evaluation: https://github.com/THUIR/MetaSyn Dataset: https://huggingface.co/datasets/THUIR/MetaSyn Model: https://huggingface.co/BFTree/MA-Retriever