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