RAG / 检索增强生成

A Stochastic Algorithm for Searching Saddle Points with Convergence Guarantee

Baoming Shi, Lei Zhang, Qiang Du

专题命中 向量检索 ：vector search(abstract)

Compressed Concatenation of Small Embedding Models

Mohamed Ayoub Ben Ayad, Michael Dinzinger, Kanishka Ghosh Dastidar, Jelena Mitrovic, Michael Granitzer

机构 * University of Passau（巴伐利亚大学） 纠错

专题命中 向量检索 ：dense retrieval(abstract)

UpANNS: Enhancing Billion-Scale ANNS Efficiency with Real-World PIM Architecture

Sitian Chen, Amelie Chi Zhou, Yucheng Shi, Yusen Li, Xin Yao

专题命中 向量检索 ：RAG(abstract)

Comments Accepted by SC 25

Suppressing Gradient Conflict for Generalizable Deepfake Detection

Ming-Hui Liu, Harry Cheng, Xin Luo, Xin-Shun Xu

机构 * School of Software, Shandong University（山东大学软件学院） ； Quan Cheng Laboratory（全成实验室） ； School of Computer Science, National University of Singapore（新加坡国立大学计算机科学学院） 纠错

专题命中 向量检索 ：vector search(abstract)

Comments V1

WindVE: Collaborative CPU-NPU Vector Embedding

Jinqi Huang, Xuebing Yu, Yi Xiong, Wenjie Huang, Entong Li, Li Zeng, Xin chen

专题命中 向量检索 ：retrieval-augmented generation(abstract)

Here Comes The AI Worm: Unleashing Zero-click Worms that Target GenAI-Powered Applications

Stav Cohen, Ron Bitton, Ben Nassi

专题命中 向量检索 ：RAG(abstract)

Comments Website: https://sites.google.com/view/compromptmized

Representation Learning of Daily Movement Data Using Text Encoders

Alexander Capstick, Tianyu Cui, Yu Chen, Payam Barnaghi

专题命中 向量检索 ：vector search(abstract)

Comments Accepted at ICLR 2024 Workshop on Learning from Time Series For Health: https://openreview.net/forum?id=mmxNNwxvWG

Journal ref International Conference on Learning Representations 2024 Workshop on Learning from Time Series For Health

MedImageInsight: An Open-Source Embedding Model for General Domain Medical Imaging

Noel C. F. Codella, Ying Jin, Shrey Jain, Yu Gu, Ho Hin Lee, Asma Ben Abacha, Alberto Santamaria-Pang, Will Guyman, Naiteek Sangani, Sheng Zhang, Hoifung Poon, Stephanie Hyland, Shruthi Bannur, Javier Alvarez-Valle, Xue Li, John Garrett, Alan McMillan, Gaurav Rajguru, Madhu Maddi, Nilesh Vijayrania, Rehaan Bhimai, Nick Mecklenburg, Rupal Jain, Daniel Holstein, Naveen Gaur, Vijay Aski, Jenq-Neng Hwang, Thomas Lin, Ivan Tarapov, Matthew Lungren, Mu Wei

专题命中 向量检索 ：retrieval augmented generation(abstract)

Residual Quantization with Implicit Neural Codebooks

Iris A. M. Huijben, Matthijs Douze, Matthew Muckley, Ruud J. G. van Sloun, Jakob Verbeek

专题命中 向量检索 ：vector search(abstract)

Comments To appear at ICML 2024

Tensor networks based quantum optimization algorithm

V. Akshay, Ar. Melnikov, A. Termanova, M. R. Perelshtein

专题命中 向量检索 ：vector search(abstract)

Comments 15 pages, 6 figures

BREATHE: Second-Order Gradients and Heteroscedastic Emulation based Design Space Exploration

Shikhar Tuli, Niraj K. Jha

专题命中 向量检索 ：vector search(abstract)

Projective Clustering Product Quantization

Aditya Krishnan, Edo Liberty

专题命中 向量检索 ：vector search(abstract)

Distributed Algorithms that Solve Boolean Equations with Local and Differential Privacies

Hongsheng Qi, Bo Li, Rui-Juan Jing, Lei Wang, Alexandre Proutiere, Guodong Shi

专题命中 向量检索 ：vector search(abstract)

Comments 34 pages, 5 figures

Algorithms for Similarity Search and Pseudorandomness

Tobias Christiani

专题命中 向量检索 ：vector search(abstract)

Comments PhD thesis

FD-RAG: Federated Dual-System Retrieval-Augmented Generation

FD-RAG: 联邦双系统检索增强生成

Tianhao Gao, Kai Yang, Yiyang Li

机构 * School of Computer Science and Technology（计算机科学与技术学院） 纠错

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

AI总结 提出FD-RAG框架，通过解耦轻量级记忆访问与按需LLM推理，并利用语义感知自适应超图蒸馏为紧凑QA记忆，在联邦设置下实现高效、隐私保护的检索增强生成。

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

VDGR-RAG: Vectors, Directories, Graphs, and Reflection Are All You Need for Unified Reasoning over Hierarchical Enterprise Knowledge

VDGR-RAG：向量、目录、图与反思——统一分层企业知识推理所需的一切

Wenqi Chen, Haofei Yang, Rui Yang, Fangming Li

机构 * Huawei Technologies（华为技术有限公司） 纠错

专题命中 知识库问答 ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；knowledge retrieval(abstract)

AI总结 针对现有RAG方法在企业知识问答中存在的局限，提出整合向量、目录、图与反思的VDGR-RAG智能体GraphRAG系统，经实验其在召回率和准确率上均优于多种RAG基线。

Same Question, Different Source, Different Answer: Auditing Source-Dependence in Medical Multi-Source RAG

同一问题，不同来源，不同答案：审计医学多源RAG中的来源依赖性

Yubo Li, Rema Padman, Ramayya Krishnan

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出来源依赖性作为NLP评估缺失的维度，通过构建移植患者教育基准TransplantQA、分层检索策略HERO-QA和结构化输出评判器，审计多源RAG系统中同一问题因检索来源不同而给出不同答案的失败模式。

In-depth Analysis of Graph-based RAG in a Unified Framework

基于统一框架的图基RAG深入分析

Yingli Zhou, Yaodong Su, Youran Sun, Shu Wang, Taotao Wang, Runyuan He, Yongwei Zhang, Sicong Liang, Xilin Liu, Yuchi Ma, Yixiang Fang

机构 * The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司） 纠错

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

AI总结 本文基于统一框架对图基RAG方法进行深入分析，比较了多种QA数据集上的代表性方法，揭示了其有效性，并提出了新的变体，为未来研究提供新思路。

From PDF to RAG-Ready: Evaluating Document Conversion Frameworks for Domain-Specific Question Answering

从PDF到RAG就绪：评估面向特定领域问答的文档转换框架

José Guilherme Marques dos Santos, Ricardo Yang, Rui Humberto Pereira, Alexandre Sousa, Brígida Mónica Faria, Henrique Lopes Cardoso, José Duarte, José Luís Reis, Luís Paulo Reis, Pedro Pimenta, José Paulo Marques dos Santos

机构 * Faculty of Engineering, University of Porto（葡萄牙波尔图大学工程学院） ； Department of Business Administration, University of Maia（马亚大学商业管理系） ； LIACC—Artificial Intelligence and Computer Science Laboratory, University of Porto（葡萄牙波尔图大学人工智能与计算机科学实验室） ； Department of Communication Sciences and Information Technologies, University of Maia（马亚大学通讯科学与信息科技系） ； School of Health, Polytechnic of Porto（波尔图理工学院健康学院） ； School of Technology and Management, Polytechnic Institute of Maia（马亚理工学院技术与管理学院） 纠错

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

AI总结 通过系统比较四种开源PDF转Markdown框架的21种流水线配置，发现文档预处理质量（尤其是层次化分块和元数据增强）对RAG系统问答准确率的影响远超转换工具本身，最佳配置（Docling+层次化分块+图像描述）达到94.1%准确率，超越人工整理。

Comments 27 pages, 3 figures, 7 tables

Journal ref Applied Sciences 16 (2026) 5069

S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA

S2G-RAG：结构充分性与间隙判断用于迭代检索增强问答

Minghan Li, Junjie Zou, Xinxuan Lv, Chao Zhang, Guodong Zhou

机构 * Soochow University（苏州大学） 纠错

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

AI总结 S2G-RAG通过结构化充分性判断和间隙判断机制，提升多跳问答的准确性和鲁棒性，适用于多轮检索流程。

Comments Accepted to ACL 2026 Main Conference

EverydayGPT: Confidence-Gated Routing for Efficient and Safe Hybrid GPT-RAG Conversational QA

EverydayGPT: 用于高效安全混合GPT-RAG对话问答的置信门控路由

Jaspreet Singh Nahal

机构 * Dr. A.P.J. Abdul Kalam Technical University（阿卜杜尔·卡拉姆技术大学） 纠错

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

AI总结 提出置信门控路由机制，通过联合策略决定检索与生成路径，使85%的查询使用快速RAG提取，延迟降低120倍以上，同时保持答案质量。

Comments 12 pages, 10 figures, 6 tables. Code and evaluation scripts available at: https://github.com/merciless-admiral-3083/EverydayGPT. This paper studies routing strategies for hybrid GPT-RAG systems under resource constraints, focusing on efficiency-safety tradeoffs rather than state-of-the-art accuracy

W-RAG: Weakly Supervised Dense Retrieval in RAG for Open-domain Question Answering

Jinming Nian, Zhiyuan Peng, Qifan Wang, Yi Fang

机构 * Santa Clara University（圣克拉拉大学） ； Meta AI 纠错

专题命中 知识库问答 ：RAG(title,abstract)；dense retrieval(title,abstract)；retrieval-augmented generation(abstract)；retriever(abstract)

Forgotten History or Test-of-Time? Retrospect and Prospect on RAG from an IR Perspective

被遗忘的历史还是时间的考验？从信息检索视角回顾与展望检索增强生成（RAG）

Xiaoyan Zhao, Yujie Cai, Yang Zhang, Grace Hui Yang, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Georgetown University（乔治城大学） 纠错

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

AI总结 本文从IR视角指出RAG核心思想源于21世纪初的经典研究，提出将LLM视为旧QA架构的新接口层，其前期工作可指导下一代RAG设计，促进跨领域整合。

NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering

NeSy-RAG：用于可解释问答的神经符号检索增强生成框架

Jonas Gann, Michael Gertz

机构 * Heidelberg University（海德堡大学） 纠错

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

AI总结 NeSy-RAG是一种模块化神经符号RAG框架，可生成透明推理轨迹，在ShARC基准上以61.1%的准确率优于同模型RAG基线，实现可解释问答。

CacheWeaver: Cache-Aware Evidence Ordering for Efficient Grounded RAG Inference

CacheWeaver：面向高效接地RAG推理的缓存感知证据排序

Kaizhen Tan, Rong Gu, Mingyuan Li

机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院） 纠错

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

AI总结 提出CacheWeaver，一种轻量级提示层方法，通过缓存感知的证据排序降低RAG推理的首令牌延迟，无需修改服务引擎或证据集。

Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework

解锁稳健的蛋白质-文本问答流程：一种双维度RAG框架

Li Ding, Duanyu Feng, Chen Huang, Yangshuai Wang, Yang Li, Wenqiang Lei, See-Kiong Ng

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

AI总结 本文提出一种双维度RAG框架，通过整合生物研究流程和专家分析方法，提升蛋白质-文本问答的鲁棒性和泛化能力，实现对新蛋白质的高效处理。

Architecture Matters: Comparing RAG Systems under Knowledge Base Poisoning

架构至关重要：在知识库中毒情况下比较RAG系统

Samuel Korn

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

AI总结 研究探讨了在知识库中毒情况下不同RAG架构的鲁棒性，发现架构设计对攻击成功率影响显著，MADAM-RAG在矛盾检测上表现最佳但仍有不足。

From RAG to Agentic RAG for Faithful Islamic Question Answering

从RAG到智能体RAG：面向可靠的伊斯兰问答

Gagan Bhatia, Hamdy Mubarak, Mustafa Jarrar, George Mikros, Fadi Zaraket, Mahmoud Alhirthani, Mutaz Al-Khatib, Logan Cochrane, Kareem Darwish, Rashid Yahiaoui, Firoj Alam

机构 * Qatar Computing Research Institute, HBKU, Qatar（卡塔尔计算研究中心，HBKU，卡塔尔） ； College of Humanities and Social Sciences, HBKU, Qatar（人文与社会科学学院，HBKU，卡塔尔） ； Arab Center for Research and Policy Studies, Qatar（阿拉伯研究中心与政策研究所，卡塔尔） ； College of Islamic Studies, HBKU, Qatar（伊斯兰研究学院，HBKU，卡塔尔） ； College of Public Policy, HBKU, Qatar（公共政策学院，HBKU，卡塔尔） 纠错

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

AI总结 针对LLM在伊斯兰问答中的幻觉与弃权问题，构建双语基准IslamicFaithQA，并提出基于结构化工具调用的智能体RAG框架，显著提升正确性与鲁棒性。

Comments Islamic Question Answering; Faithful Question Answering; Retrieval-Augmented Generation; Agentic RAG; Large Language Models

Knowledge Base Poisoning Attacks and Defense for Policy-Aware LLM-RAG Framework

用于战场物联网任务控制的策略感知大语言模型检索增强生成（PA-LLM-RAG）框架的知识库中毒攻击与防御

Om Solanki, Lopamudra Praharaj, Deepti Gupta, Maanak Gupta

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

AI总结 研究针对战场物联网任务控制的PA-LLM-RAG框架的对抗安全。提出查询无关语义检索中毒攻击，能注入规则致大语言模型上下文损坏。还提出CLD-KB防御框架，在检测中毒和知识保存方面性能优异。

Comments 9 pages, 5 figures