RAG / 检索增强生成

Talk Before You Retrieve: Agent-Led Discussions for Better RAG in Medical QA

Xuanzhao Dong, Wenhui Zhu, Hao Wang, Xiwen Chen, Peijie Qiu, Rui Yin, Yi Su, Yalin Wang

机构 * Arizona State University（亚利桑那州立大学） ； Clemson University（克莱姆森大学） ； Washington University in St.Louis（圣路易斯华盛顿大学） ； Banner Alzheimer’s Institute（班纳阿尔茨海默病研究所） 纠错

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

Optimizing open-domain question answering with graph-based retrieval augmented generation

Joyce Cahoon, Prerna Singh, Nick Litombe, Jonathan Larson, Ha Trinh, Yiwen Zhu, Andreas Mueller, Fotis Psallidas, Carlo Curino

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

VisDoM: Multi-Document QA with Visually Rich Elements Using Multimodal Retrieval-Augmented Generation

Manan Suri, Puneet Mathur, Franck Dernoncourt, Kanika Goswami, Ryan A. Rossi, Dinesh Manocha

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

Pirates of the RAG: Adaptively Attacking LLMs to Leak Knowledge Bases

Christian Di Maio, Cristian Cosci, Marco Maggini, Valentina Poggioni, Stefano Melacci

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

Leveraging the Domain Adaptation of Retrieval Augmented Generation Models for Question Answering and Reducing Hallucination

Salman Rakin, Md. A. R. Shibly, Zahin M. Hossain, Zeeshan Khan, Md. Mostofa Akbar

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

Comments Initial Version fine-tuned on HotelConvQA

Toolshed: Scale Tool-Equipped Agents with Advanced RAG-Tool Fusion and Tool Knowledge Bases

Elias Lumer, Vamse Kumar Subbiah, James A. Burke, Pradeep Honaganahalli Basavaraju, Austin Huber

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

Introducing a new hyper-parameter for RAG: Context Window Utilization

Kush Juvekar, Anupam Purwar

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

Customized Retrieval Augmented Generation and Benchmarking for EDA Tool Documentation QA

Yuan Pu, Zhuolun He, Tairu Qiu, Haoyuan Wu, Bei Yu

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

Comments Accepted by ICCAD 2024

FoRAG: Factuality-optimized Retrieval Augmented Generation for Web-enhanced Long-form Question Answering

Tianchi Cai, Zhiwen Tan, Xierui Song, Tao Sun, Jiyan Jiang, Yunqi Xu, Yinger Zhang, Jinjie Gu

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

Journal ref KDD 2024

End-to-End Table Question Answering via Retrieval-Augmented Generation

Feifei Pan, Mustafa Canim, Michael Glass, Alfio Gliozzo, James Hendler

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

Fighting Numerical Hallucinations via Data-centric Compilation for Online Financial QA

通过数据为中心的编译对抗在线金融问答中的数值幻觉

Hao Chen, Xing Tang, Qirui Liu, Weijie Shi, Shiwei Li, Fuyuan Lyu, Weihong Luo, Xiku Du, Xiuqiang He

机构 * Shenzhen Technology University（深圳科技大学） ； FiT, Tencent（腾讯金融科技部） ； South China University of Technology（华南理工大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huazhong University of Science and Technology（华中科技大学） ； McGill University（麦吉尔大学） 纠错

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

AI总结 提出数据为中心推理编译器（DCRC），通过对抗数据构建、多阶段训练和编译执行推理流程，解决在线金融问答中检索增强生成面临的噪声敏感、计算脆弱和可审计性危机，实现可靠的数值推理。

Comments Accepted by KDD 2026 ADS track

Navigating Large-Scale Document Collections: MuDABench for Multi-Document Analytical QA

在大规模文档集合中导航：MuDABench用于多文档分析问答

Zhanli Li, Yixuan Cao, Lvzhou Luo, Ping Luo

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Wenlan School of Business, Zhongnan University of Economics and Law（中南财经政法大学文澜商学院） 纠错

专题命中 知识库问答 ：RAG(summary_cn,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出在大规模半结构化文档集合上进行分析问答的任务，介绍了MuDABench多文档分析问答基准，要求跨多个文档提取和综合信息以进行定量分析，实验发现标准RAG系统表现不佳，提出多代理工作流以提升性能。

Comments Findings of ACL 2026. The camera-ready version corrects some labeling errors. The accompanying repository is continuously updated based on community feedback; for the most up-to-date implementation and results, please refer to the repository

A Systematic Study of Retrieval Pipeline Design for Retrieval-Augmented Medical Question Answering

检索增强医疗问答中检索流程设计的系统研究

Nusrat Sultana, Abdullah Muhammad Moosa, Kazi Afzalur Rahman, Sajal Chandra Banik

机构 * Department of Mechatronics & Industrial Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机电与工业工程系） ； Department of Mechanical Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机械工程系） 纠错

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

AI总结 本文系统评估了检索增强医疗问答的性能，发现检索增强显著提升了零样本医疗问答效果，最佳配置为密集检索加查询改写和重排序，准确率达60.49%。

ManuRAG: Multi-modal Retrieval Augmented Generation for Manufacturing Question Answering (Early Version)

ManuRAG：面向制造业问答的多模态检索增强生成

Yunqing Li, Zihan Dong, Farhad Ameri, Jianbang Zhang

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

AI总结 ManuRAG通过多模态检索增强生成技术，提升制造业问答的准确性与可靠性，适用于多种领域。

Spa-VLM: Stealthy Poisoning Attacks on RAG-based VLM

Lei Yu, Yechao Zhang, Ziqi Zhou, Yang Wu, Wei Wan, Minghui Li, Shengshan Hu, Pei Xiaobing, Jing Wang

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

Composing Open-domain Vision with RAG for Ocean Monitoring and Conservation

Sepand Dyanatkar, Angran Li, Alexander Dungate

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

Comments Accepted to Climate Change AI Workshop at NeurIPS 2024. 9 pages, 6 figures, 1 table

End-to-End Training of Multi-Document Reader and Retriever for Open-Domain Question Answering

Devendra Singh Sachan, Siva Reddy, William Hamilton, Chris Dyer, Dani Yogatama

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

Comments NeurIPS 2021 camera-ready version

RAG-based Question Answering over Heterogeneous Data and Text

Philipp Christmann, Gerhard Weikum

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

Comments IEEE Data Engineering Bulletin -- December 2024 Edition on RAG

EviBack: Search-Agent Reinforcement Learning via Evidence-Constrained Teacher Backoff

EviBack：通过证据约束的教师退避进行搜索智能体强化学习

Xiao Ma, Zhiquan Hu, Yi Wei, Chenchen Zhao, Yijun Chen, Jicheng Zhao, Yuming Li, Chuang Dai

专题命中 知识库问答 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 研究针对智能体RAG系统中全零展开组问题，提出EviBack方法，通过证据约束教师退避提供辅助监督。利用全自动管道生成两阶段教师，提升了下游F1等指标，在多个问答基准上取得更好效果。

RASER: Recoverability-Aware Selective Escalation Router for Multi-Hop Question Answering

RASER: 可恢复性感知的选择性升级路由器用于多跳问答

Yuyang Li, Zihe Yan, Tobias Käfer

机构 * Institute AIFB, Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院AIFB研究所） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学） 纠错

专题命中 知识库问答 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 提出RASER路由器，基于单次RAG的六个特征决定是否升级到更昂贵的检索策略，在不增加额外LLM调用的情况下，在F1分数与SOTA相当的同时节省大量token。

Comments Under Review

Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety

连接双知识图谱以实现施工安全多跳问答

Yuxin Zhang, Xi Wang, Mo Hu, Zhenyu Zhang

机构 * organization= Department of Construction Science, College of Architecture, Texas A\&M University, College Station , country= USA 纠错

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

AI总结 本文提出BifrostRAG系统，通过双图检索增强生成模型处理施工安全多跳问答，实现92.8%精度和85.5%召回率，优于传统基线方法。

Comments 22 pages, 13 figures

Journal ref Automation in Construction, Volume 183, March 2026, 106794

RPDR: A Round-trip Prediction-Based Data Augmentation Framework for Long-Tail Question Answering

RPDR：基于回程预测的数据增强框架用于长尾问答

Yiming Zhang, Siyue Zhang, Junbo Zhao, Chen Zhao

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； NYU Shanghai（纽约大学上海分校） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

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

AI总结 RPDR通过数据增强框架提升长尾问答性能，利用回程预测选择易学实例并动态路由查询以优化检索效果。

Decomposing Retrieval Failures in RAG for Long-Document Financial Question Answering

在长文档金融问答中分解检索失败

Amine Kobeissi, Philippe Langlais

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

AI总结 本文针对长文档金融问答中的检索失败问题，提出一种基于页面的分层检索方法，通过微调双编码器提升页面和片段的检索效果。

From Static to Dynamic: A Streaming RAG Approach to Real-time Knowledge Base

Yuzhou Zhu

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

ComRAG: Retrieval-Augmented Generation with Dynamic Vector Stores for Real-time Community Question Answering in Industry

Qinwen Chen, Wenbiao Tao, Zhiwei Zhu, Mingfan Xi, Liangzhong Guo, Yuan Wang, Wei Wang, Yunshi Lan

机构 * School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学） ； Alibaba Group（阿里巴巴集团） 纠错

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

Comments 7 pages, 4 figures. Accepted at ACL 2025 Industry Track

Evidence-backed Fact Checking using RAG and Few-Shot In-Context Learning with LLMs

Ronit Singhal, Pransh Patwa, Parth Patwa, Aman Chadha, Amitava Das

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

Comments Accepted in The Seventh FEVER Workshop at EMNLP 2024

A Multimodal Dense Retrieval Approach for Speech-Based Open-Domain Question Answering

Georgios Sidiropoulos, Evangelos Kanoulas

专题命中 知识库问答 ：dense retrieval(title)；retriever(abstract)；分类 cs.IR、cs.CL

Towards Universal Dense Retrieval for Open-domain Question Answering

Christopher Sciavolino

专题命中 知识库问答 ：dense retrieval(title,abstract)；分类 cs.IR、cs.CL

GARAGE: Characterizing the Automation Boundary in LLM-based Attack Graph Generation

GARAGE：基于大语言模型的攻击图生成中自动化边界的特征描述

Daekwon Pi, Sangho Lee, Young Hun Lee, Huy Kang Kim

专题命中 知识库问答 ：RAG(summary_cn,abstract)

AI总结 研究针对现代车辆安全CTI合成难题，提出GARAGE框架，通过RAG技术将碎片化CTI转化为特定领域知识库用于攻击图生成，经实验验证能准确转移安全知识，还可作为TARA支持工具提供性价比分析以指导在各LLM层级部署。

Comments 22 pages, 10 figures, 12 tables

Learning from Natural Language Feedback for Personalized Question Answering

通过自然语言反馈学习实现个性化问答

Alireza Salemi, Hamed Zamani

机构 * Center for Intelligent Information Retrieval（智能信息检索中心） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 本文提出VAC框架，利用自然语言反馈替代标量奖励，提升个性化问答效果，实验表明其在LaMP-QA基准上表现优异。