RAG / 检索增强生成

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。

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。

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。