RAG / 检索增强生成

Transforming LLMs into Efficient Cross-Encoders via Knowledge Distillation for RAG Reranking

通过知识蒸馏将语言模型转换为高效的交叉编码器用于RAG重排

Shreeya Dasa Lakshminath, Shubhan S

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

AI总结 研究针对交叉编码器推理成本高的问题，通过两阶段管道微调LLaMA 3为RAG重排器，先监督微调后4位量化，在特定领域问答基准上评估，相比交叉编码器基线有多项性能提升且降低推理开销。

Comments 6 pages, 4 figures. This work was completed in 2024

FAIR GraphRAG: A Retrieval-Augmented Generation Approach for Semantic Data Analysis

公平的GraphRAG：一种用于语义数据分析的检索增强生成方法

Marlena Flüh, Soo-Yon Kim, Carolin Victoria Schneider, Sandra Geisler

机构 * RWTH Aachen University（亚琛RWTH大学） ； University Hospital RWTH Aachen（亚琛RWTH大学医院） 纠错

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

AI总结 研究针对现有RAG方法缺乏结构化公平化的问题，引入公平的GraphRAG框架，以公平数字对象为基本单元，利用大语言模型支持相关构建与提取，应用于生物医学数据集，显著提升问答效果，展示了公平数据实践与图检索技术结合的可行性。

Comments Accepted at the IEEE International Conference on Knowledge Graph, 2025. Corrects an error in the published abstract: the evaluation dataset is RNA-sequencing data, not single-cell data

Journal ref 2025 IEEE International Conference on Knowledge Graph (ICKG), Limassol, Cyprus, 2025, pp. 90-97

Integrating Chain-of-Thought and Retrieval Augmented Generation Enhances Rare Disease Diagnosis from Clinical Notes

将链式思维与检索增强生成相结合增强了从临床笔记中诊断罕见疾病的性能

Zhanliang Wang, Da Wu, Quan Nguyen, Kai Wang

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

AI总结 本研究提出RAG驱动的CoT和CoT驱动的RAG方法，通过结合链式思维与检索增强生成，提升从临床笔记中诊断罕见疾病的性能。

Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation

预测检索！面向检索增强生成的测试时自适应方法

Xin Sun, Zhongqi Chen, Qiang Liu, Shu Wu, Bowen Song, Weiqiang Wang, Zilei Wang, Liang Wang

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

AI总结 提出TTARAG方法，在测试时动态更新语言模型参数以预测检索内容，从而提升RAG系统在专业领域的泛化性能。

Comments ICASSP 2026

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, ICASSP 2026 - 2026 IEEE International Conference on Acoustics, ICASSP 2026 - 2026 IEEE International Conference on Acoustics,

SHARD: cell-keyed residual splitting for alignment-resistant private dense retrieval

SHARD: 基于单元格密钥分割的抗对齐私有密集检索

Sergey Kurilenko

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） 纠错

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

AI总结 提出SHARD方法，通过将嵌入拆分为公开前缀和按单元格密钥分割的私有残差，结合CKKS重排序，抵御对齐攻击，在保持检索质量的同时大幅提高攻击难度。

QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers

使用非常规求解器的QUBO优化证据选择用于检索增强问答

Rahul Singh, Madhav Vadlamani

机构 * University of California Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.CL

AI总结 研究针对检索增强问答中证据选择问题，将其转化为QUBO问题构建能量函数，平衡多种因素选择证据段落，再由下游语言模型生成答案。在HotpotQA上评估，该方法性能与基于LLM的选择器相当，为RAG管道提供新思路。

What Would You Click? Personalized Video Thumbnail Generation with Preference-aware Highlight Retrieval

你会点击什么？基于偏好感知高光检索的个性化视频缩略图生成

Zhiyu He, Zecheng Zhao, Tong Chen, Zi Huang, Yiqun Liu, Min Zhang

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

AI总结 研究针对视频平台个性化视频缩略图生成问题，提出两阶段框架，先通过偏好感知检索选取视觉锚点，再经VLM引导的扩散管道生成缩略图，实验和用户研究证明该方法性能优且能提升用户参与度。

Multilingual Semantic Retrieval for Apple Music Search

苹果音乐搜索的多语言语义检索

Vishalaksh Aggarwal, Kevin Sebastian, Vivek Kanojiya, Leo Le, Nick Tucey, Santosh Shankar

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

AI总结 研究苹果音乐多语言搜索问题，提出基于暹罗双编码器并微调的多语言语义检索系统，经混合检索架构集成。该系统离线和在线测试效果良好，提升了搜索召回率，尤其改善了难查询的表现，是平台较大的搜索质量改进。

Comments Accepted to the Industry Track of the 20th ACM Conference on Recommender Systems (RecSys 2026)

LogiDroid: Individual Functional Test Generation via Business Logic Extraction and Adaptation

通过业务逻辑提取与适应的上下文感知功能测试生成

Yakun Zhang, Zihan Wang, Xinzhi Peng, Zihao Xie, Xiaodong Wang, Xutao Li, Dan Hao, Lu Zhang, Yunming Ye

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

AI总结 LogiDroid通过业务逻辑提取与适应，实现上下文感知的功能测试生成，显著提升测试用例生成效率。

Comments Accepted by TOSEM (ACM Transactions on Software Engineering and Methodology) 2026

More Than Efficiency: Embedding Compression Improves Domain Adaptation in Dense Retrieval

超越效率：嵌入压缩改善密集检索中的领域适应

Chunsheng Zuo, Daniel Khashabi

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

AI总结 针对密集检索中训练与目标领域分布不匹配的问题，提出对查询嵌入进行PCA压缩以保留领域相关特征并丢弃非判别成分，在9个检索器和14个MTEB数据集上验证了该方法能有效提升检索性能。

Comments Oral at SURGeLLM 2026 Workshop at ACL 2026

Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model

混合隐私感知语义搜索：受限威胁模型下基于SVD截断文档几何与CKKS加密查询重排序

Sergey Kurilenko

机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） 纠错

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

AI总结 提出一种混合隐私保护方案，利用SVD截断和秘密旋转保护文档集合，CKKS同态加密保护查询，在百万文档规模下实现亚秒级延迟并保持排序质量，证明对受限攻击者的重构误差下界。

From Hindsight to Foresight: Self-Encouraged Hindsight Distillation for Knowledge-based Visual Question Answering

从回顾到前瞻：面向知识驱动视觉问答的自我鼓励回顾蒸馏

Yu Zhao, Ying Zhang, Xuhui Sui, Baohang Zhou, Xinying Qian, Li Shen, Dacheng Tao

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

专题命中 知识库问答 ：retrieval augmented generation(abstract)

AI总结 本文提出HinD框架，通过知识鼓励偏好优化提升多模态大语言模型的知识推理能力，实验表明其在OK-VQA和A-OKVQA上表现优异。

RippleBench: Capturing Ripple Effects Using Existing Knowledge Repositories

RippleBench: 利用现有知识库捕捉涟漪效应

Roy Rinberg, Usha Bhalla, Igor Shilov, Flavio P. Calmon, Rohit Gandikota

机构 * Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； Northeastern University（东北大学） 纠错

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

AI总结 提出RippleBench-Maker自动管道，从知识库检索语义邻居生成选择题，评估八种遗忘方法在Llama3-8B-Instruct上的涟漪效应，发现准确率下降随语义距离衰减且跨模型一致。

EvoGraph-R1: Self-Evolving Multimodal Knowledge Hypergraphs for Agentic Retrieval

EvoGraph-R1：用于智能检索的自进化多模态知识超图

Jiashi Lin, Changhong Jiang, Xiangru Lin, Ruifei Zhang, Xinyi Zhu, Jiyao Liu, Cheng Tang, Ye Du, Shujian Gao, Junzhi Ning, Lihao Liu, Ziyan Huang, Tianbin Li, Jin Ye, Junjun He

机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学） ； Monash University（莫纳什大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） 纠错

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

AI总结 研究针对现有GraphRAG方法将知识图视为静态数据结构的局限，提出EvoGraph-R1自进化框架，把检索建模为MDP，智能体通过多种操作使超图结构进化以支持多跳推理，实验证明该方法在多模态问答基准测试中大幅优于现有基线。

Comments 10 pages main paper, 6 figures. CVPR 2026 accepted paper

Multimodal Integrated Knowledge Transfer to Large Language Models through Preference Optimization with Biomedical Applications

通过偏好优化整合多模态知识以增强大语言模型的多模态知识转移（生物医学应用）

Zhanliang Wang, Da Wu, Quan Nguyen, Zhuoran Xu, Kai Wang

专题命中 多模态RAG ：RAG(abstract,abstract_cn)；分类 cs.CL

AI总结 MINT通过偏好优化整合多模态知识，提升大语言模型在生物医学任务中的表现，特别是在罕见遗传疾病预测和组织类型分类中取得显著成效。

Cost-Governed RAG: Unified Per-Tenant Cost Attribution Across Retrieval and Generation in Multi-Tenant LLM Systems

成本治理的检索增强生成模型：多租户大语言模型系统中跨检索与生成的统一租户成本归因

Navnit Shukla

专题命中 RAG评测 ：RAG(title,summary_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI、cs.DB

AI总结 研究多租户大语言模型系统中成本治理问题，提出成本治理的RAG架构，集成TurboVec与治理网关实现统一可观测堆栈，能按租户联合归因成本，准确率高且降低成本，还形式化三层成本模型。

Towards AI Evaluation in Domain-Specific RAG Systems: The AgriHubi Case Study

面向领域特定RAG系统的AI评估：AgriHubi案例研究

Md. Toufique Hasan, Ayman Asad Khan, Mika Saari, Vaishnavi Bankhele, Pekka Abrahamsson

机构 * Faculty of Information Technology and Communication Sciences（信息科技与通讯科学学院） 纠错

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

AI总结 AgriHubi通过整合芬兰农业文档与开放模型，结合来源 grounding 和用户反馈，提升了农业决策支持系统的回答完整性、语言准确性和可靠性。

Comments 6 pages, 2 figures, submitted to MIPRO 2026

Journal ref 2026 49th MIPRO ICT and Electronics Convention (MIPRO), Opatija, Croatia, pp. 989-994

First, do NOHARM: a medical safety benchmark and randomized study of physician and AI teaming on clinical consultations

首先，不伤害：迈向临床安全的大语言模型

David Wu, Fateme Nateghi Haredasht, Saloni Kumar Maharaj, Priyank Jain, Jessica Tran, Matthew Gwiazdon, Arjun Rustagi, Jenelle Jindal, Jacob M. Koshy, Vinay Kadiyala, Anup Agarwal, Bassman Tappuni, Brianna French, Sirus Jesudasen, Christopher V. Cosgriff, Rebanta Chakraborty, Jillian Caldwell, Susan Ziolkowski, David J. Iberri, Robert Diep, Rahul S. Dalal, Kira L. Newman, Kristin Galetta, J. Carl Pallais, Nancy Wei, Kathleen M. Buchheit, David I. Hong, Vartan Pahalyants, Ernest Y. Lee, Allen Shih, Tamara B. Kaplan, Vishnu Ravi, Sarita Khemani, Thomas A. Buckley, April S. Liang, Daniel Shirvani, Advait Patil, Nicholas Marshall, Kanav Chopra, Joel Koh, Adi Badhwar, Anastasia Perez, Austin J. Schoeffler, Mahbuba Tusty, Chase M. Walton, Liam G. McCoy, David J. H. Wu, Yingjie Weng, Sumant Ranji, Kevin Schulman, Nigam H. Shah, Jason Hom, Arnold Milstein, Arjun K. Manrai, Adam Rodman, Jonathan H. Chen, Ethan Goh

机构 * Harvard Combined Dermatology Program（哈佛联合皮肤科项目） ； Department of Dermatology, Mass General Brigham（麻省总医院皮肤科） ； Harvard Medical School（哈佛医学院） ； Stanford Center for Biomedical Informatics Research（斯坦福生物医学信息学研究中心） ； Stanford University（斯坦福大学） ； Division of Hospital Medicine, Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医院医学科） ； Department of Medicine, Cambridge Health Alliance（剑桥健康联盟医学科） ； Beth Israel Deaconess Hospital–Plymouth（贝塞斯达德acons医院-普利茅斯） ； Department of Medicine, University of California, San Francisco（加州大学旧金山分校医学科） ； Department of Neurology, Stanford University School of Medicine（斯坦福大学医学院神经科） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝塞斯达德acons医学中心医学科） ； Division of Cardiology, Department of Medicine, Cambridge Health Alliance（剑桥健康联盟心脏病科） ； Department of Cardiovascular Medicine, Summa Health System（Summa健康系统心血管医学科） ； Division of Allergy, Pulmonary, and Critical Care Medicine, Department of Medicine, University of Wisconsin-Madison（威斯康星大学麦迪逊分校医学科过敏、呼吸科和危重医学科） ； Division of Pulmonary and Critical Care Medicine, Department of Medicine, Massachusetts General Hospital（麻省总医院呼吸科和危重医学科） ； Center for Immunology and Inflammatory Diseases, Department of Medicine, Massachusetts General Hospital（麻省总医院免疫和炎症疾病中心） ； Broad Institute of MIT and Harvard（MIT和哈佛Broad研究所） ； Division of Pulmonary, Critical Care, and Sleep Medicine, Cambridge Health Alliance（剑桥健康联盟呼吸科、危重医学科和睡眠医学科） 纠错

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

AI总结 提出NOHARM基准，包含1100个初级到专科咨询案例，评估28个LLM的医疗建议安全性，发现高达22.6%的案例存在严重危害风险，其中遗漏错误占80%以上。