RAG / 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。

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

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。

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

RAGSieve: Self-Referenced Local Contrast for Knowledge-Poison Detection in Retrieval-Augmented Generation

RAGSieve：用于检索增强生成中知识投毒检测的自参考局部对比方法

Xinlong Xu, Yoshua Y. Li

机构 * Nanjing University of Information Science and Technology（南京信息工程大学） ； Meituan（美团） 纠错

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

AI总结 本研究提出RAGSieve框架，含RSQ与RSG两种局部对比方法，在多QA数据集和投毒构造上实现优异检测性能，联合部署可显著降低RAG攻击成功率且保留部分未投毒检索性能。

DocNavRAG: Document-Structured Graph RAG with Stateful Evidence Construction for Complex Document Question Answering

DocNavRAG：面向复杂文档问答的、具有状态化证据构建能力的文档结构化图RAG

Dongyang Xie, Yao Tian, Hao Zhang, Yifei Yuan, Tieyun Qian, Ming Zhong, Jiawei Jiang, Yuanyuan Zhu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出DocNavRAG，将文档结构组织为可导航图并维护证据状态，在四个文档QA基准上，相比最强基线平均提升答案质量7.8%、上下文充分性17.7%。

Comments 19 pages, 5 figures, 16 tables

To Isolate or to Score? Model-Adaptive Assessment for Cost-Efficient Multi-Agent RAG

隔离还是评分？面向成本高效的多智能体RAG的模型自适应评估

Jungseob Lee, Chanjun Park, Heuiseok Lim

机构 * Korea University（高丽大学） ； Soongsil University（崇实大学） 纠错

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

AI总结 针对多智能体文档评估中计算成本高的问题，研究训练无关干预方法，发现弱基线模型受益于文档隔离而非评分，强基线模型则依赖评分质量，提出MADARA模型自适应路由架构，实现零样本泛化并降低计算开销。

Comments 23 pages, 2 figures, 19 tables. Code: https://github.com/js-lee-AI/MADARA

AILQA: Evaluating AI-Driven Legal Question Answering Systems for the Indian Legal System

AILQA：评估适用于印度法律体系的人工智能驱动的法律问答系统

Shubham Kumar Nigam, Shubham Kumar Mishra, Noel Shallum, Kripabandhu Ghosh, Arnab Bhattacharya

机构 * Indian Institute of Technology（印度理工学院） ； Symbiosis Law School（共生法学院） ； Indian Institute of Science Education and Research（印度科学教育与研究学院） ； University of Birmingham（伯明翰大学） 纠错

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

AI总结 该研究针对印度法律体系开发AILQA系统，利用多种模型应对挑战，通过严格评估强调RAG范式提升答案质量，评估其在标准化测试中的表现，讨论挑战并给出未来研究方向，为增强法律决策支持系统助力。

Comments Accepted in AI and Law Journal

PathRouter: Aligning Rewards with Retrieval Quality in Agentic Graph Retrieval-Augmented Generation

PathRouter: 在智能体图检索增强生成中对齐奖励与检索质量

Bo Wang, Heyan Huang, Yaolin Li, Wei Tang, Yuan Zhang, Wenbo Li, Mingze Gao, Ge Shi, Chong Feng

机构 * Beijing Institute of Technology（北京理工大学） ； Joy Future Academy（京东探索研究院） 纠错

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

AI总结 针对智能体图RAG中答案路径奖励混淆和搜索更新模糊问题，提出PathRouter框架，通过路径感知训练联合评估答案正确性与证据路径重叠，并引入冻结金证据教师提供token级KL指导，在六个QA基准上显著提升F1和证据路径重叠。

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

RAGOCR: Optical Compression of Retrieval-Augmented Text via Visual Representation

RAGOCR：基于视觉表征的检索增强文本光学压缩

Jiayang Yu, Jialun Zhong, Lei Zou

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） 纠错

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

AI总结 该研究针对RAG压缩的权衡问题，提出RAGOCR框架，通过查询感知动态分辨率机制压缩检索文档为视觉表征，在五个QA基准上实现比朴素RAG更高准确率和更低token需求，且优于各类压缩基线。

Comments Under reviewing

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

Tracing Target Answers in Poisoned Retrieval Corpora via Token Influence Attribution

通过令牌影响归因追踪中毒检索语料库中的目标答案

Yan-Lun Chen, Pin-Yu Chen, Chia-Mu Yu, Ying-Dar Lin, Yu-Sung Wu, Wei-Bin Lee

机构 * National Yang Ming Chiao Tung University（阳明交通大学） ； IBM Research（IBM研究院） ； Hon Hai Research Institute（宏海研究院） 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

AI总结 提出TRACE框架，通过令牌影响归因识别检索增强生成系统中的语料投毒攻击，无需额外分类器或LLM验证，在三个QA基准和六个LLM上验证了有效性。

Less is More: Lightweight Prompt Compression for Question Answering Applications on Edge Devices

少即是多：面向边缘设备问答应用的轻量级提示压缩

Zihuai Xu, Ruofei Hou, Yang Xu, Hongli Xu, Yunming Liao, Ying Zhu

机构 * School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院） 纠错

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

AI总结 提出CORE，一种无需辅助语言模型的两阶段句子级提示压缩方法，通过NER和语义匹配构建答案集与线索集，结合正交残差检索和空间邻近度过滤，在边缘设备上显著提升准确率、降低内存和能耗。

Self-evolving Agentic Customer Support System at LinkedIn

领英的自进化智能体客户支持系统

Chih Hui Wang, Mengdie Tu, Qianyun Zhang, Wei Wu, Lili Zhou, Mingqi Shen, Changshuai Wei

机构 * LinkedIn（领英公司） 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 领英提出一种集成检索增强生成、进化自动提示与模块化评估框架的自进化智能体客户支持系统，经测试可显著提升多项支持任务指标，为企业级自进化 AI 智能体提供可行方案。

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。

CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQA

CRAG-MM诊断：实现对知识密集型视觉问答的逐阶段分析

Hanseok Oh, Parishad BehnamGhader, Benno Krojer, Hyunji Lee, Paul Liang, Siva Reddy, Verna Dankers

机构 * New York University（纽约大学） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； MIT（麻省理工学院） 纠错

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

AI总结 研究知识密集型视觉问答流程，引入CRAG-MM-Diagnostics诊断基准，通过逐阶段数据注释分离子问题，评估VLM并进行细粒度分析，指出知识检索和推理是主要瓶颈，还提出改进流程提升准确率。

Comments Accepted to ECCV 2026

Interpretable Uncertainty for Adaptive Retrieval and Reasoning in Question Answering

问答中自适应检索与推理的可解释不确定性

Ritajit Dey, Iadh Ounis, Graham McDonald

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

AI总结 研究针对问答中大型语言模型的问题，提出基于LLM内部表示显式信号的不确定性感知框架，区分知识不足与模糊冲突，能在单次前向传播中估计，指导系统行为，为检索和推理策略提供透明实用替代方案。

Comments 2 pages, 1 figure

An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

一种本体引导的多锚点图检索框架用于交通事故法律责任判定

Xu Li, Shuqi Tian, Xun Han, Kuncheng Zhao, Xinyi Li

机构 * Southwest Petroleum University（西南石油大学） ； Sichuan Police College（四川警察学院） 纠错

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

AI总结 提出OMAGR框架，通过本体引导将查询分解为锚点并执行并行图检索，解决多维度检索瓶颈，在TrafficLaw-QA数据集上提升上下文精度和忠实度。

Comments Submitted to ICONIP. 15 pages, 3 figures

BioHarness: Substrate-Aware Evidence Assembly for Biomedical Question Answering across Literature, Knowledge Bases, and Biological Atlases

BioHarness：面向生物医学问答的底物感知证据组装——跨文献、知识库和生物图谱

Meng Xiao, Chuan Qin, Jinmiao Chen, Yihang Cheng, Yuanchun Zhou, Hengshu Zhu

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

AI总结 提出BioHarness，通过级联控制机制在文献检索、知识库和生物图谱间选择性组装证据，提升生物医学问答准确率，在19,302个问答项上得分从65.9提升至71.0。

Comments 14 Pages, 11 Figures, Keywords: biomedical question answering; retrieval-augmented generation; large language models; evidence assembly; biomedical knowledge bases; biological atlases

AaLLM: An End-to-End Analog Circuit Design Framework from Topology Generation to Sizing Using Large Language Models

AaLLM：基于大语言模型的从拓扑生成到尺寸确定的端到端模拟电路设计框架

Mohammed Ayman Habib, Rylan Hart, Morteza Fayazi

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

AI总结 本文提出AaLLM，一种端到端多智能体LLM工作流，自动完成模拟电路拓扑生成与尺寸确定，可减少SPICE调用次数和运行时间，创新拓扑性能与传统拓扑相当。

One Token per Multimodal Evidence: Latent Memory for Resource-Constrained QA

每个多模态证据一个令牌：面向资源受限问答的潜在记忆

Zhi Zheng, Ziqiao Meng, Hao Luan, Wei Liu, Wee Sun Lee

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） 纠错

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

AI总结 提出潜在记忆范式，将每个证据压缩为单个高维潜在令牌，通过统一训练实现高效检索与生成，在资源受限场景下以3-10倍令牌节省达到竞争性问答性能。

Better Decomposition, Free Aggregation: A Synthesizer-Folding Framework for Multilingual Multi-Hop Question Answering

更好的分解，自由聚合：面向多语言多跳问答的合成器折叠框架

Yilin Wang, Yuchun Fan, Weidong Bao, Zili Wei, Shi Feng, Tong Xiao, Zhengtao Yu, Jingbo Zhu

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Kunming University of Science and Technology（昆明理工大学） 纠错

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

AI总结 针对多语言多跳问答中现有方法的翻译噪声与错误放大问题，提出Syfer框架，通过推迟翻译、格式受限分解与质量检查实现性能与成本的良好平衡。

Comments Accepted by NLPCC 2026

Overview of FinMMEval 2026 Task 2: Multilingual Financial Short-Answer Question Answering

FinMMEval 2026任务2概述：多语言金融简答题问答

Zhuohan Xie, Xueqing Peng, Georgi Georgiev, Dimitar Dimitrov, Yuyang Dai, Rania Elbadry, Vanshikaa Jani, Lingfei Qian, Fan Zhang, Jimin Huang, Jiahui Geng, Yankai Chen, Ye Yuan, Haolun Wu, Yuxia Wang, Ivan Koychev, Veselin Stoyanov, Mingzi Song, Yu Chen, Xue Liu, Preslav Nakov

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； The Fin AI（金融人工智能公司） ； FMI, Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”金融数学与信息学系） ； INSAIT, Sofia University “St. Kliment Ohridski”（索非亚大学“圣克莱门特·奥赫里德斯基”信息技术与自动化研究所） ； University of Arizona（亚利桑那大学） ； The University of Tokyo（东京大学） ； Linköping University（林雪平大学） ； McGill University（麦吉尔大学） ； Mila, Quebec AI Institute（魁北克人工智能研究所） ； Meiji Gakuin University（明治学院大学） 纠错

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

AI总结 FinMMEval 2026任务2聚焦多语言金融简答题问答，通过特定配对和格式让系统答题，最终测试集含256个项目分两层级，依ROUGE-1 F1排名，最强系统差距小，还记录了多种相关策略。

Comments 9 pages. Task overview paper for CLEF 2026 Working Notes (CEUR Workshop Proceedings)

RSF-GLLM: Bridging the Semantic Gap in Multi-Hop Knowledge Graph QA via Recurrent Soft-Flow and Decoupled LLM Generation

RSF-GLLM：通过循环软流和去耦语言模型生成弥合多跳知识图谱问答中的语义鸿沟

Sambaran Bandyopadhyay, Ananth Muppidi

机构 * Adobe Research（Adobe研究院） ； Adobe Systems（Adobe系统公司） 纠错

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

AI总结 研究多跳知识图谱问答中传统方法的语义鸿沟问题，提出RSF-GLLM框架，通过循环软流模块传播分数、引入正则化保证收敛，提取路径微调LLM，实验证明该方法性能优且推理效率高。

Comments Accepted for publication in ICML 2026 as a full research paper; 21 pages

LitTraceQA: A Benchmark for Multi-Stage Grounding and Verification in Scientific Question Answering

LitTraceQA：面向科学问答的多阶段溯源与验证基准

Xuye Liu, Yimu Wang, Peng Shi, Bo Xue, Xiangrui Ke, Songcheng Cai, Kath Choi, Di Wu, Freda Shi, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） ； Amazon（亚马逊公司） ； City University of Hong Kong（香港城市大学） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 该研究提出LitTraceQA基准，用于科学问答的多阶段溯源与验证，提供含多类型证据的问答数据，可评估系统的论文检索、证据溯源及答案准确性，助力生成可验证的科学问答结果。

Comments Work in Progress

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。