RAG / 检索增强生成

Visual Retrieval-Augmented Generation for Silhouette-Guided Animal Art

视觉检索增强生成：基于轮廓引导的动物艺术创作

Quoc-Duy Tran, Anh-Tuan Vo, Trung-Nghia Le

机构 * University of Science, VNU-HCM（胡志明市国立大学理科大学） ； Vietnam National University, Ho Chi Minh（胡志明市国立大学） 纠错

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

AI总结 提出视觉检索增强生成（Visual-RAG）框架，通过检索与自然轮廓结构相似的动物形状，结合ControlNet和IP-Adapter引导扩散模型生成动物艺术，实现计算空想性视错觉。

Comments SOICT 2025

Benchmarking Knowledge-Extraction Attack and Defense on Retrieval-Augmented Generation

检索增强生成的知识提取攻击与防御基准测试

Zhisheng Qi, Utkarsh Sahu, Li Ma, Haoyu Han, Ryan Rossi, Franck Dernoncourt, Mahantesh Halappanavar, Nesreen Ahmed, Yushun Dong, Yue Zhao, Yu Zhang, Yu Wang

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

AI总结 提出首个针对RAG系统知识提取攻击的系统性基准，涵盖多种攻击/防御策略、检索嵌入模型、生成器及数据集，在统一框架下评估，为隐私保护RAG系统提供实用基础。

Comments 12 pages. Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026), Dataset and Benchmark Track, Oral Presentation

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 26), August 09-13, 2026, Jeju Island, Republic of Korea. ACM, New York, NY, USA, 12 pages

A Retrieval-Augmented Generation Approach to Extracting Algorithmic Logic from Neural Networks

一种基于检索增强生成的方法用于从神经网络中提取算法逻辑

Waleed Khalid, Dmitry Ignatov, Radu Timofte

机构 * Computer Vision Lab, CAIDAS, University of Würzburg, Germany（计算机视觉实验室，CAIDAS，乌尔姆大学，德国） 纠错

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

AI总结 本文提出NN-RAG方法，通过检索增强生成技术从神经网络代码库中提取并验证模块，实现了跨仓库的架构迁移与重复检测，提升了神经网络架构的可复现性和多样性。

When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation

当良好的OCR不够：为检索增强生成系统评估OCR鲁棒性

Lin Sun, Wang Dexian, Jingang Huang, Linglin Zhang, Change Jia, Zhengwei Cheng, Xiangzheng Zhang

机构 * Beijing Qiyuan Technology（北京启元科技） 纠错

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

AI总结 本文提出一个针对工业RAG系统的OCR基准，涵盖11种挑战性文档类型，揭示传统OCR指标无法准确衡量真实场景下的RAG性能，指出结构和语义错误会导致检索失败，且该问题在不同类别中表现不同。

PRAG: End-to-End Privacy-Preserving Retrieval-Augmented Generation

PRAG：端到端隐私保护检索增强生成

Zhijun Li, Minghui Xu, Huayi Qi, Wenxuan Yu, Tingchuang Zhang, Qiao Zhang, GuangYong Shang, Zhen Ma, Xiuzhen Cheng

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

AI总结 PRAG提出一种端到端隐私保护的检索增强生成系统，通过双模式架构在不牺牲云托管RAG可扩展性的情况下实现文档和查询的端到端保密性，实验显示其在大规模数据集上具有竞争力的召回率和抗攻击能力。

Comments 16 pages,6 figures, journal

CubeGraph: Efficient Retrieval-Augmented Generation for Spatial and Temporal Data

CubeGraph：面向空间和时间数据的高效检索增强生成

Mingyu Yang, Wentao Li, Wei Wang

机构 * University of Leicester（利兹大学） 纠错

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

AI总结 CubeGraph通过整合向量搜索与任意空间约束，解决传统方法在处理高维向量相似性搜索与时空过滤时的碎片化问题，提升查询性能和扩展性。

Comments Updated Report

Fine-tune the Entire RAG Architecture (including DPR retriever) for Question-Answering

Shamane Siriwardhana, Rivindu Weerasekera, Elliott Wen, Suranga Nanayakkara

专题命中 检索器与排序 ：RAG(title,abstract)；retriever(title,comments)；分类 cs.IR、cs.CL、cs.AI

Comments for associated code, see https://github.com/huggingface/transformers/tree/master/examples/research_projects/rag-end2end-retriever

RAG-VisualRec: An Open Resource for Vision- and Text-Enhanced Retrieval-Augmented Generation in Recommendation

RAG-VisualRec: 一种面向电影领域的视觉与文本增强的检索增强生成推荐开放资源

Ali Tourani, Fatemeh Nazary, Yashar Deldjoo

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

AI总结 本文提出RAG-VisualRec，通过结合LLM生成的项目描述和剪辑生成的视觉嵌入，提升多模态推荐系统的检索与生成能力，通过可配置融合策略和质量控制模块提高推荐效果和可复现性。

Comments 30 pages, 9 figures, 7 tables

EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval

EHRAG：通过混合超图构建与检索弥合语义鸿沟的轻量级图RAG

Yifan Song, Xingjian Tao, Zhicheng Yang, Yihong Luo, Jing Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。

Comments Accepted by Findings of ACL2026

CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment

CrisiSense-RAG：面向快速灾害影响评估的多模态检索增强生成系统

Yiming Xiao, Kai Yin, Ali Mostafavi

机构 * Zachry Department of Civil ； Environmental Engineering, Texas A\&M University ； Department of Computer Science ； Engineering, Texas A\&M University 纠错

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

AI总结 本文提出CrisiSense-RAG系统，通过多模态检索增强生成技术，解决灾害影响评估中时空不对齐问题，实现零样本设置下的高精度灾害评估。

Comments 27 pages, 4 figures

CoCR-RAG: Enhancing Retrieval-Augmented Generation in Web Q&A via Concept-oriented Context Reconstruction

CoCR-RAG：通过面向概念的上下文重建提升Web问答中的检索增强生成

Kaize Shi, Xueyao Sun, Qika Lin, Firoj Alam, Qing Li, Xiaohui Tao, Guandong Xu

机构 * University of Southern Queensland（昆士兰大学） ； University of Technology Sydney（新南威尔士大学） ； The Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； The Education University of Hong Kong（香港教育大学） 纠错

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

AI总结 本文提出CoCR-RAG框架，通过语言学基础的概念级整合解决多源信息融合问题，提升问答系统事实一致性与知识密度。

Overview of the TREC 2025 Retrieval Augmented Generation (RAG) Track

TREC 2025检索增强生成（RAG）赛道概述

Shivani Upadhyay, Nandan Thakur, Ronak Pradeep, Nick Craswell, Daniel Campos, Jimmy Lin

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

AI总结 TREC 2025 RAG赛道通过多句叙述查询和多层次评估框架，推动检索增强生成系统的可信与上下文感知创新。

Comments 21 pages, 8 figures, 13 tables

GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation

GAM-RAG：基于增益的记忆用于演化检索的检索增强生成

Yifan Wang, Mingxuan Jiang, Zhihao Sun, Yixin Cao, Yicun Liu, Keyang Chen, Guangnan Ye, Hongfeng Chai

机构 * Fudan University（复旦大学） 纠错

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

AI总结 GAM-RAG通过动态更新检索记忆提升检索增强生成的性能，减少计算成本，提高推理效率。

DA-RAG: Dynamic Attributed Community Search for Retrieval-Augmented Generation

DA-RAG：动态属性社区搜索用于检索增强生成

Xingyuan Zeng, Zuohan Wu, Yue Wang, Chen Zhang, Quanming Yao, Libin Zheng, Jian Yin

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

AI总结 DA-RAG通过动态属性社区搜索提升检索增强生成的效果，有效处理动态复杂查询，减少计算与经济成本。

DF-RAG: Query-Aware Diversity for Retrieval-Augmented Generation

DF-RAG：基于查询的多样性检索增强生成

Saadat Hasan Khan, Spencer Hong, Jingyu Wu, Kevin Lybarger, Youbing Yin, Erin Babinsky, Daben Liu

机构 * George Mason University（乔治·马歇尔大学） ； Capital One 纠错

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

AI总结 DF-RAG通过在检索阶段引入多样性，提升复杂推理问答任务的F1性能，相比传统RAG提升了4-10个百分点，并接近Oracle上限的91.3%

Comments Accepted to Findings of EACL 2026

RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation

RAG-GFM：通过检索增强生成克服图基础模型中的内存瓶颈

Haonan Yuan, Qingyun Sun, Jiacheng Tao, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering（计算机科学与工程学院） ； Beihang University（北航） ； Guangxi Normal University（广西师范大学） 纠错

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

AI总结 RAG-GFM通过检索增强生成方法，解决图基础模型中的内存瓶颈问题，提升模型的效率和效果。

Comments Accepted by the Web Conference 2026 (Research Track)

SD-RAG: A Prompt-Injection-Resilient Framework for Selective Disclosure in Retrieval-Augmented Generation

SD-RAG：一种抗提示注入的框架，用于检索增强生成中的选择性披露

Aiman Al Masoud, Marco Arazzi, Antonino Nocera

机构 * Department of Electrical, Computer and Biomedical Engineering（电气、计算机与生物医学工程系） ； University of Pavia（帕维亚大学） 纠错

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

AI总结 SD-RAG通过在检索阶段应用净化和披露控制，提升检索增强生成中的隐私保护和抗提示注入能力。

Orion-RAG: Path-Aligned Hybrid Retrieval for Graphless Data

Orion-RAG：无图数据的路径对齐混合检索

Zhen Chen, Weihao Xie, Peilin Chen, Shiqi Wang, Jianping Wang

机构 * City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Orion-RAG通过低复杂度路径提取方法，有效处理碎片化数据，实现跨文件信息链接，并在FinanceBench上取得25.2%的精度提升。

Integrating Domain Knowledge for Financial QA: A Multi-Retriever RAG Approach with LLMs

在金融问答中整合领域知识：一种基于多检索器RAG方法与LLM的多检索器RAG方法

Yukun Zhang, Stefan Elbl Droguett, Samyak Jain

机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） ； Graduate School of Business Stanford University（商学院 斯坦福大学） 纠错

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

AI总结 本研究提出一种基于多检索器RAG方法与LLM的金融问答系统，通过领域知识训练提升数值推理能力，验证了领域特定训练在不同模型规模下的性能差异。

Bidirectional RAG: Safe Self-Improving Retrieval-Augmented Generation Through Multi-Stage Validation

双向RAG：通过多阶段验证实现安全的自我改进检索增强生成

Teja Chinthala

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 双向RAG通过多阶段验证实现安全的自我改进检索增强生成，提高了覆盖率并减少了文档数量，展示了RAG系统在严格验证下的可行性。

Comments 10 pages, 2 figures, 2 tables. 36 experiments across 4 datasets with 3 random seeds. Code available upon request

Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation

Cog-RAG: 基于认知的双超图主题对齐检索增强生成

Hao Hu, Yifan Feng, Ruoxue Li, Rundong Xue, Xingliang Hou, Zhiqiang Tian, Yue Gao, Shaoyi Du

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

AI总结 Cog-RAG通过双超图结构和主题对齐策略，提升检索增强生成的语义对齐与生成一致性。

Comments Accepted by AAAI 2026 main conference

Journal ref AAAI 2026

PoultryTalk: A Multi-modal Retrieval-Augmented Generation (RAG) System for Intelligent Poultry Management and Decision Support

PoultryTalk: 一种用于智能家禽管理与决策支持的多模态检索增强生成（RAG）系统

Kapalik Khanal, Biswash Khatiwada, Stephen Afrifa, Ranjan Sapkota, Sanjay Shah, Frank Bai, Ramesh Bahadur Bist

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

AI总结 PoultryTalk是一种多模态RAG系统，通过文本和图像交互为家禽管理提供实时专家指导，实现了高准确率和用户满意度。

TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster

TS-RAG：基于时间序列基础模型的检索增强生成模型在零样本预测中更强大

Kanghui Ning, Zijie Pan, Yu Liu, Yushan Jiang, James Yiming Zhang, Kashif Rasul, Anderson Schneider, Lintao Ma, Yuriy Nevmyvaka, Dongjin Song

机构 * School of Computing, University of Connecticut（康奈尔大学计算机学院） ； Department of Machine Learning Research, Morgan Stanley（摩根士丹利机器学习研究部） ； Ant Group（蚂蚁集团） ； TWG Global（TWG全球） 纠错

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

AI总结 TS-RAG通过检索增强生成框架提升时间序列预测的零样本性能和可解释性。

Hybrid Retrieval-Augmented Generation Agent for Trustworthy Legal Question Answering in Judicial Forensics

Yueqing Xi, Yifan Bai, Huasen Luo, Weiliang Wen, Hui Liu, Haoliang Li

机构 * Department of Electronic Engineering, City University of Hong Kong(DongGuan)（香港城市大学（东莞）电子工程系） ； Department of Electronic Engineering, City University of Hong Kong（香港城市大学电子工程系） 纠错

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

BEE-RAG: Balanced Entropy Engineering for Retrieval-Augmented Generation

Yuhao Wang, Ruiyang Ren, Yucheng Wang, Jing Liu, Wayne Xin Zhao, Hua Wu, Haifeng Wang

机构 * Baidu（百度） 纠错

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

PICOs-RAG: PICO-supported Query Rewriting for Retrieval-Augmented Generation in Evidence-Based Medicine

Mengzhou Sun, Sendong Zhao, Jianyu Chen, Bin Qin

机构 * Faculty of Computing（计算学院） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

Unlocking Multi-View Insights in Knowledge-Dense Retrieval-Augmented Generation

Guanhua Chen, Wenhan Yu, Xiao Lu, Xiao Zhang, Erli Meng, Lei Sha

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Zhongguancun Laboratory（中关村实验室） 纠错

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

Demo: Guide-RAG: Evidence-Driven Corpus Curation for Retrieval-Augmented Generation in Long COVID

Philip DiGiacomo, Haoyang Wang, Jinrui Fang, Yan Leng, W Michael Brode, Ying Ding

机构 * Department of Computer Science University of Texas at Austin（计算机科学系得克萨斯大学奥斯汀分校） ； School of Information University of Texas at Austin（信息学院得克萨斯大学奥斯汀分校） ； McCombs School of Business University of Texas at Austin（麦库姆斯商学院得克萨斯大学奥斯汀分校） ； Dell Medical School University of Texas at Austin（德克萨斯大学奥斯汀分校戴尔医学学院） 纠错

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

Comments Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: The Second Workshop on GenAI for Health: Potential, Trust, and Policy Compliance

MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search

Yunhai Hu, Yilun Zhao, Chen Zhao, Arman Cohan

机构 * Yale University（耶鲁大学） ； New York University（纽约大学） 纠错

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

DecEx-RAG: Boosting Agentic Retrieval-Augmented Generation with Decision and Execution Optimization via Process Supervision

Yongqi Leng, Yikun Lei, Xikai Liu, Meizhi Zhong, Bojian Xiong, Yurong Zhang, Yan Gao, Yi Wu, Yao Hu, Deyi Xiong

机构 * TJUNLP Lab, College of Intelligence and Computing, Tianjin University（天津大学智能计算学院实验室） ； Xiaohongshu Inc.（小红书公司） 纠错

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