RAG / 检索增强生成

CRINN: Contrastive Reinforcement Learning for Approximate Nearest Neighbor Search

CRINN：用于近似最近邻搜索的对比强化学习

Xiaoya Li, Albert Wang, Guoyin Wang, Chris Shum, Jiwei Li

机构 * DeepReinforce Team（深强化团队） 纠错

专题命中 向量检索 ：RAG(abstract,abstract_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI、cs.DB

AI总结 研究针对近似最近邻搜索算法，提出CRINN新范式，将其优化视为强化学习问题，以执行速度为奖励信号，实验证明该方法在多个基准数据集上有效，且其成功验证了强化学习增强语言模型用于算法优化的有效性。

Comments Preprint Version

A Mechanistic Analysis of Gender Sensitivity in Dense Retrieval Models

稠密检索模型中性别敏感性的机制分析

Catherine Chen, Maarten de Rijke, Carsten Eickhoff

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

AI总结 本文通过机制分析定位稠密检索模型性别敏感性源于输入嵌入与后期层注意力头，测试不同引导干预效果，为针对性去偏提供机制基础并指出相关信号分离挑战。

Filtered Vector Search in a Disaggregated Lakehouse: Composing Table-Format Pruning with Per-File ANN

分解式湖仓中的过滤向量搜索：表格式剪枝与逐文件ANN的组合

Rakesh Jain, Thomas Griffin, Syed Zawad

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

AI总结 本文提出在基于Apache Iceberg和Parquet的湖仓中，通过组合现有文件剪枝与逐文件IVF索引实现过滤向量搜索，在特定条件下可使ANN搜索速度提升数十倍。

Mapping Similarity Spaces across Embedding Models with Synthetic Query Probing

通过合成查询探测映射嵌入模型间的相似度空间

Marcin Rozmus, Peter van der Putten

机构 * Pegasystems（pegasystems公司） ； Leiden University（莱顿大学） 纠错

专题命中 向量检索 ：retrieval-augmented generation(abstract)；RAG(abstract_cn)；分类 cs.CL

AI总结 本研究针对嵌入模型间相似度分数不可直接比较的问题，提出合成查询探测方法，通过学习分数分布映射实现跨模型相似度空间对齐，提升阈值可移植性，为嵌入可比性分析提供可扩展框架。

Comments Accepted for 29th International Conference on Discovery Science, October 5-9, 2026, Mainz, Germany