RAG / 检索增强生成

VecTree-RAG: An Agentic Retrieval-Augmented Generation Framework Combining Vector and Tree Retrieval for Efficiency and Accuracy

VecTree-RAG：一种结合向量和树检索的智能检索增强生成框架，以提高效率和准确性

Xinyan Zhong, Yuwei Shi, Yuqi Wei, Chen Shen, Tianhang Zhou, Zhenghao Wu

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

AI总结 研究针对科学问答中识别相关论文及找支持证据的问题，提出VecTree-RAG框架，结合向量与树检索机制。经多组问题评估，该框架在多个基准上获高分，证据页面精度高，且完整架构所需推理令牌少，为科学文献问答提供结构感知且可追溯的架构。

Agentic Graph Retrieval-Augmented Generation for Auditable Commercial Registry Analysis

代理图RAG：利用协作AI导航无结构财务数据

Arthur Capozzi, Dirk Helbing

机构 * Computational Social Science ETH Zürich（计算社会科学 ETH 瑞士 Zurich） ； Computational Social Science, ETH Complexity Science Hub Zürich（计算社会科学 ETH 复杂性科学中心 Zurich） ； ETH Complexity Science Hub Zürich, Switzerland（ETH 复杂性科学中心 Zurich 瑞士） ； Vienna, Austria（维也纳 奥地利） 纠错

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

AI总结 本文提出了一种协作代理图RAG框架，用于专家分析商业登记数据。通过构建Neo4j知识图谱，结合确定性节点摄入、LLM提取弱节点以及确定性身份解析和去重，提升了多跳、时间相关和实体中心的查询能力。

Cross-Attention Calibrated Deduplication for Retrieval-Augmented Generation System

用于检索增强生成系统的交叉注意力校准去重

Phuong Le Huy, Nam H. Nguyen, Quan V. Dang

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

AI总结 研究RAG系统冗余块问题，提出交叉注意力校准去重方法CACD，由交叉编码器比较、新信息分数和多数投票组成，在SQuAD 1.1验证集测试中，能有效去除冗余块且处理速度快。

TriShieldRAG: A Three-Ring Defense-in-Depth Framework Against Knowledge Corruption in Retrieval-Augmented Generation

TriShieldRAG：一种针对检索增强生成中知识腐败的三环深度防御框架

Susil Kumar Mohanty, Rohit Patel, Kosuru Yuvaraj, Jeenal Chaudhary, Disha Singhania

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

AI总结 研究针对检索增强生成中知识腐败问题，构建TriShieldRAG框架，设置摄取防护、检索评分器和跨语言模型共识阶段三个环，推导环2和环3起作用的条件，评估表明该框架能大幅降低攻击成功率并保持良性查询准确性。

Source-Aware Reranking for Retrieval-Augmented Generation: A Reliability Prior Approach

用于检索增强生成的源感知重排：一种可靠性先验方法

Yuktha Tata Koganti, Hugo Garrido-Lestache Belinchon

机构 * Milwaukee School of Engineering（密尔沃基工程学院） 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、cs.AI

AI总结 研究针对检索增强生成中仅靠语义相似性排序的问题，提出纳入源可靠性先验的重排方法，通过为文档分配先验并重新加权检索分数，在健康领域语料库实验中提升了Precision@5并减少对抗性文档检索。

TokenMem: Faithful Knowledge Injection for Frozen LLMs

TokenMem：为冻结的语言模型进行忠实的知识注入

Chengzhang Yu, Chenyang Zheng, Zening Lu, Yingru He, Yutong Huang, Yiming Zhang, Yue Xu, Zhanpeng Jin

机构 * South China University of Technology（华南理工大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 研究针对RAG增强LLMs时的知识冲突问题，提出TokenMem轻量级记忆系统，通过专用通道向冻结LLMs注入知识，经两阶段课程训练薄门控适配器，实验显示其在反事实基准上知识一致性远超普通RAG，两阶段课程关键，门控适配器能自主学习策略。

Comments 15 pages, 3figures

Retrieval-Augmented Large Language Models as Components of Cognitive Computing architecture for Regulatory Knowledge Management

作为监管知识管理认知计算架构组件的检索增强大语言模型

Dariusz Nowak-Nova

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

AI总结 研究探讨将大语言模型与检索增强生成架构集成用于监管知识管理，提出本地部署LLMs的架构方法，经实验验证，此集成提升了生成文本质量，引入可审计性等，增强后的LLMs可作为认知计算基础设施的语义处理模块。

Language-Coupled Reinforcement Learning for Multilingual Retrieval-Augmented Generation

多语言耦合强化学习用于多语言检索增强生成

Rui Qi, Fengran Mo, Yufeng Chen, Xue Zhang, Shuo Wang, Hongliang Li, Jinan Xu, Jian-Yun Nie, Kaiyu Huang

机构 * School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院，北京交通大学） ； University of Montreal（蒙特利尔大学） ； Tsinghua University（清华大学） ； University of Notre Dame（Notre Dame 大学） 纠错

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

AI总结 本文提出LcRL框架，通过语言耦合组相对策略优化减少知识偏差和冲突，提升多语言检索增强生成的性能，适用于受限训练数据和多语言大规模集合的场景。

Comments Accepted to ACL 2026 (Findings)

What Softmax Throws Away: Mass-Aware Attention for Evidence Accumulation

Softmax丢弃的信息：用于证据积累的质量感知注意力

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，建国大学） 纠错

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

AI总结 研究探讨模型内部表示中预测相关结构信息保留问题，提出质量感知注意力（MAA），将标准L1归一化推广到Lp族，在多模型和数据集上提升未来链接AUC等，定位为通用归一化原则提高表示信息性。

Procedural Knowledge at Scale Improves Reasoning

大规模程序知识提升推理能力

Di Wu, Devendra Singh Sachan, Wen-tau Yih, Mingda Chen

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta FAIR 纠错

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

AI总结 本研究提出Reasoning Memory框架，通过大规模检索增强生成方法，有效利用程序知识提升推理能力，在多个基准测试中表现优于现有方法。

Comments COLM 2026 Camera Ready

SMART: LLM-Augmented Hybrid Retrieval for Dynamic Product Ads

SMART：用于动态产品广告的大语言模型增强混合检索

Congfei Zhang, Jingxiao Ma, Xiaodong Liu, Hsiang-wei Chao, Siman Wang, Ge Liu, Shantanu Aggarwal, Vincent Zhang, Meghana Missula, Rachel Liao, Zichu Li, Xiao Bai, Yunzhi Zhou, Yajun Wang, Zhe Liu, Jinchao Li, Yu Zhang

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

AI总结 研究动态产品广告中重定向和开拓新客户的平衡问题，提出SMART方法，通过规则与LLM生成查询结合及质量门控管理成本，经实验验证，该方法有效提升广告转化率，降低LLM成本。

Comments To be published in the 20th ACM Conference on Recommender Systems (recsys'26), September 27 - October 2, 2026, Minneapolis, MN, USA

Retrieval-Augmented Generation of Ontologies from Relational Databases

从关系数据库中检索增强生成本体

Nadeen Fathallah, Mojtaba Nayyeri, Athish A Yogi, Ratan Bahadur Thapa, Hans-Michael Tautenhahn, Anton Schnurpel, Steffen Staab

机构 * Institute for Artificial Intelligence, University of Stuttgart（人工智能研究所，斯图加特大学） ； University of Southampton（南安普顿大学） ； Universitätsklinikum Leipzig（莱比锡大学医院） 纠错

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

AI总结 研究从关系数据库生成语义丰富的OWL2DL本体的问题，提出RIGOR方法，通过大语言模型驱动，从多源检索并迭代生成本体片段，经验证和纠正后集成，实验表明该方法优于基线且无需人工监督。

Comments Accepted in ISWC26

Graph-Based Re-ranking in Information Retrieval and Beyond: A Survey

信息检索及其他领域中基于图的重排：一项综述

Md Shahir Zaoad, Niamat Zawad, Priyanka Ranade, Latifur Khan

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

AI总结 综述基于图的信息检索重排方法，介绍其在相关AI范式中的作用，通过引入分类法和时间线深入回顾该范式，分析实验情况，最后基于挑战与机遇给出未来研究建议。

Comments This is an extended version of the previous release (V1)

Keep It InMind: Benchmarking the Implicit-Association Blind Spot in Agent Memory

牢记于心：评估智能体记忆中的隐式关联盲点

Ruizhe Li, Mingxuan Du, Benfeng Xu, Zhendong Mao

机构 * University of Science and Technology of China（中国科学技术大学） ； Metastone Technology（元石科技） 纠错

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

AI总结 研究智能体记忆中的隐式关联盲点问题，引入InMind基准测试，通过配对控制区分三种解释，实验发现将记忆置于上下文时主干回答间接查询比例高，检索相同记忆时其他系统召回率低，诊断探针可缩小差距，指出路由是关键问题。

Towards a Relevance Posterior in Neural Information Access

迈向神经信息访问中的相关性后验

Andrew Parry, Emmanouil Georgios Lionis, Debasis Ganguly, Sean MacAvaney

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

AI总结 研究现代信息检索系统中相关性操作的局限，提出将其理解为近似后验推理，扩展经典概率检索形式，通过显式似然 - 先验分解转移计算，纳入查询独立文档效用，经实验证明能提升检索效果并给出研究方向。

Comments SIGIR 2026 Perspectives Track

ReasFlow: Assisting Reasoning-Centric Scientific Discovery in Applied Mathematics via a Knowledge-Based Multi-Agent System

ReasFlow：通过基于知识的多智能体系统助力应用数学中以推理为中心的科学发现

Yutong He, Daibo Li, Guohong Li, Jiahe Geng, Zhengyang Huang, Can Ren, Zekun Zhang, Yifan Liu, Shuchen Zhu, Hengrui Zhang, Boao Kong, Ming Sun, Shu Li, Chenyi Li, Jiang Hu, Kun Yuan, Zaiwen Wen, Pingwen Zhang

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

AI总结 针对理论驱动科学发现探索不足的问题，ReasFlow引入以推理为中心的自主智能体系统，通过内部验证循环和知识检索机制减少专家干预，能统一多项科研任务，从最少提示生成高质量论文，在开源基线中表现出色。

Session-Level Optimization for Large-Scale Retrieval using REINFORCE with Multi-Step Off-Policy Correction

基于离策略强化学习的大规模生成式检索长期优化

Artem Matveev, Sergei Makeev, Aleksei Krasilnikov, Vladimir Baikalov, Sergei Liamaev, Kirill Khrylchenko

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

AI总结 将推荐视为会话级序贯决策问题，用离策略REINFORCE在预收集数据上训练生成式检索器，提出多步重要性权重近似，训练用户反馈模型用于离线评估，引入测试时缩放程序，实验表明方法能改进离线估计。

Comments Accepted at the 5th Workshop on End-End Customer Journey Optimization at KDD 2026

iFVS: Towards Instance-Optimized Filtered Vector Search

iFVS：迈向实例优化的过滤向量搜索

Abdullah Al-Mamun, Yeasir Rayhan, Walid G. Aref

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

AI总结 研究现代AI+DB系统中过滤向量搜索问题，提出iFVS技术，针对特定数据集和查询工作负载，采用特定于查询的码本生成方法，依查询向量和过滤谓词估计距离，实验证明其提升了QPS与召回率的权衡。

Comments 4 pages

Mwando: Leveraging AI to Preserve and Teach shiKomori

Mwando：利用人工智能保护和教授希科莫里语

Naira Abdou Mohamed, Haidar Nassur Said Ali, Mohamed Hazra, Naoufal Mohamed Soibira, Roushnaty Ali Yamani

机构 * CP2BM Lab - Hassan II University（哈桑二世大学CP2BM实验室） ； Ibn Tofail University（伊本·图法伊勒大学） ； Sciences Po Grenoble（格勒诺布尔政治学院） 纠错

专题命中 向量检索 ：vector search(abstract)；分类 cs.CL

AI总结 研究旨在利用人工智能保护和教授希科莫里语，通过构建知识库和采用多智能体架构实现。对500个查询评估显示在词汇和语法方面性能良好，定性研究展示了能力与局限，为低资源语言开发教育工具提供蓝图。

EGR: Embedding-Native Generative Retrieval with a Shared LLM

EGR：使用共享语言模型的嵌入原生生成式检索

Xiaodong Liu, Congfei Zhang, Hsiang-wei Chao, Siman Wang, Tong Zhao, Xiao Bai, Vincent Zhang, Jingxiao Ma, Zhe Liu, Wenfeng Zhuo, Zichu Li, Jitin Krishnan, Yunzhi Zhou, Yajun Wang, Jinchao Li, Yu Zhang

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

AI总结 研究针对生成式检索在推荐和广告系统中的问题，提出EGR框架，利用共享语言模型在同一嵌入空间学习项目与用户表示，经联合对比训练，在多场景评估中表现出色，提升了转化率，简化了系统设计。

Comments Accepted to RecSys 2026

HyCE-RAG: Hypergraph Chain-of-Evidence Retrieval-Augmented Generation for Explainable Multi-hop Question Answering

HyCE-RAG：用于可解释多跳问答的超图证据链检索增强生成

Hong-Yu An, Yun-Jian Zhang, Chen-Wei Liang, Tian-Yi Zhang, Jian Ding, Yi-Lun Wu, Ao-Bo Li, Wei-Cong Su, Saifullah, Mujiangshan Wang

机构 * University of Macau（澳门大学） ； Shenzhen Kaihong Digital Industry Development Co., Ltd.（深圳开鸿数字产业发展有限公司） ； University of New South Wales（新南威尔士大学） ； Zhejiang University（浙江大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.AI

AI总结 研究可解释多跳问答，提出HyCE-RAG框架，将实体等组织成超边构建超图，经置信度传播和证据组装选择连接证据路径，评分时考虑多种因素，实验证明其在多方面优于标准和基于图的RAG基线，为复杂问答检索后推理提供新方向。

Comments 15 pages, 3 figures, 4 tables

Language-Routed RAG and Direct Option Scoring for Multilingual Financial QA: DS@GT at FinMMEval

用于多语言金融问答的语言路由RAG和直接选项评分：FinMMEval上的DS@GT

Justice Ayela, Kabir Sahni

专题命中 知识库问答 ：RAG(title,title_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 该研究针对多语言金融问答基准FinMMEval 2026任务1，构建基于LangGraph的检索增强管道，用RADS评分，通过加权倒数排名融合低资源语言索引，采用语言路由选择模型，揭示语言感知检索等对多语言金融推理的重要性。

Comments Accepted for publication in the CLEF 2026 Working Notes. 15 pages, 3 figures

KG2Code: Bridging Knowledge Graphs and Large Language Models via Executable Code for Question Answering

KG2Code：通过可执行代码连接知识图谱与大语言模型以进行问答

Yike Wu, Nan Hu, Guilin Qi, Guohui Xiao, Chen Jiang, Xinchun Zou, Yuchen Lu, Songlin Zhai, Yongrui Chen, Yuyang Zhang, Xiaoguang Li, Lifeng Shang, Jiaoyan Chen, Jeff Z. Pan

机构 * Southeast University（东南大学） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（教育部新一代人工智能技术及其交叉应用重点实验室（东南大学）） ； Huawei Technologies（华为技术有限公司） ； University of Manchester（曼彻斯特大学） ； University of Edinburgh（爱丁堡大学） 纠错

专题命中 知识库问答 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 研究针对知识图谱问答中现有方法的局限，提出KG2Code方法，将知识图谱转换为代码表示，在此基础上构建KG2Code-QA框架，把KGQA作为代码生成任务，还构建代码语料库，训练后的模型在KGQA任务中表现优异且泛化性强。

Co-Evolving Graph and Text Memory for Training-Free Multi-Hop Question Answering

用于无训练多跳问答的协同进化图与文本记忆

Hieu Man, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） 纠错

专题命中 知识库问答 ：RAG(abstract)；分类 cs.CL

AI总结 研究多跳问答中协调关系与文本证据问题，提出基于同步双向图-文本工作记忆的无训练系统Co-E，通过同步周期巩固记忆并注入事实，在多跳问答基准测试中表现出色，优于可比基线且与其他系统有竞争力。

Structure Over Scale: Schema-Constrained Causal Graphs for RAG

结构跨越尺度：用于检索增强生成的模式约束因果图

Marc Saouda, Rajprakash Bale, Eren Aldis, Cloves Almeida

机构 * Boston Consulting Group（波士顿咨询集团） 纠错

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

AI总结 研究针对GraphRAG问题，提出HCG-RAG，用模式约束因果图取代开放式提取，构建紧凑两层图。该方法成本低，答案质量优，在医学等基准测试中表现出色，对比实验显示因果图作为检索过滤器有优势，表明图内容比节点数量更重要。

Comments 26 pages, 6 figures

Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution

通过查询推理和执行对知识图谱中的历史文档进行鲁棒解释

Sebastià Nicolau, Adrià Molina, Oriol Ramos Terrades, Josep Lladós

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

AI总结 研究如何在利用大语言模型泛化能力时保证可靠性，提出智能检索系统，比较传统RAG与智能GraphRAG架构，引入半符号框架，通过单词识别与代码生成协作构建鲁棒检索查询，提升历史文档分析准确性与可验证性。

Comments Accepted at ICDAR2026

Energy Constrained Hierarchical Underwater Monitoring via Local Multi-Agent RAG

通过局部多智能体RAG实现能量受限的分层水下监测

Mohamed Amine Janati, Laurent Gautier, Stéphane Barbot

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR

AI总结 针对海洋生物监测受能量等限制的问题，提出结合边缘传感与局部推理的低功耗水下监测架构，采用分层设计，利用特定嵌入、识别层及多智能体框架，经案例研究评估，实现低功耗连续传感与局部多模态智能结合，减少能耗与通信开销。

Comments Contains 25 pages, 11 figures. To be submitted to Elsevier Ocean Engineering

SCAIR: Schema-Conditioned Agentic Iterative Reasoning for Enterprise Knowledge Graphs

SCAIR：用于企业知识图谱的模式条件代理迭代推理

Prateek Chaturvedi, Yuqicheng Zhu, Hongkuan Zhou, Dongzhuoran Zhou, Yunjie He, Steffen Staab, Fei Du, Jie Tang, Evgeny Kharlamov

机构 * University of Stuttgart（斯图加特大学） ； Bosch Center for AI（博世人工智能中心） ； University of Oslo（奥斯陆大学） ； University of Southampton（南安普顿大学） ； BSH Home Applications Holding (China) Co., Ltd（博西华家用电器有限公司（中国）） ； Tsinghua University（清华大学） 纠错

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 针对现有方法在企业知识图谱应用的局限，提出SCAIR无训练框架，集成结构化规划与受控迭代推理，通过模式条件结构先验等提升性能，强调企业图推理要结合领域约束，与业务逻辑对齐可增效。

Comments Accepted at ACL 2026 Industry Track

DeepLens Diagnosis Agent: Agentic Workflow Design Lets a Small Reasoning Model Compete with Frontier LLMs

深度镜头诊断代理：代理工作流程设计使小型推理模型能够与前沿语言模型竞争

Mahmood Bayeshi, Veysel Kocaman, Muhammed Ali Naqvi, Yigit Gul, David Talby

机构 * John Snow Labs（约翰·斯诺实验室） 纠错

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 研究针对医疗诊断中前沿语言模型单步提示诊断推理脆弱的问题，提出以小型医疗推理模型和检索增强生成的深度镜头诊断代理五阶段利用管道，提升了诊断准确率，降低成本，还产生结构化工件支持高风险设置。

Comments 20 pages, 5 figures, 5 tables. Technical report, John Snow Labs

TGMS: An Agent-Native Bi-Temporal Graph Management System

TGMS：一种原生代理双时态图管理系统

Xiaofei Zhang

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.DB

AI总结 研究针对时态图问题中LLM代理常失败的情况，提出双时态属性图管理系统TGMS，将13个运算符作为代理工具，LLM规划调用，系统计算，能分离有效时间与事务时间，在基准测试中表现优异，开源代码等。