RAG / 检索增强生成

HG-RAG: Hierarchy-Guided Retrieval-Augmented Generation for Structured Knowledge Graphs

HG-RAG：用于结构化知识图谱的层次引导检索增强生成

Pranav Yadav

机构 * University of California, Merced（加州大学默塞德分校） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(title)；retrieval augmented generation(abstract)；dense retrieval(abstract)

AI总结 研究针对RAG系统在处理结构化知识推理时的不足，提出HG-RAG框架，通过在层次知识图谱上遍历为语言模型提供结构化上下文，经多规模多类型查询评估，该框架在相关推理任务中优于基线，减少幻觉并保持一致性。

Comments 8 pages, 3 figures

mKG-RAG: Leveraging Multimodal Knowledge Graphs in Retrieval-Augmented Generation for Knowledge-intensive VQA

mKG-RAG：利用多模态知识图谱在检索增强生成中进行知识密集型视觉问答

Xu Yuan, Liangbo Ning, Qingqing Ye, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；retriever(abstract)；分类 cs.AI

AI总结 本文提出mKG-RAG框架，通过整合多模态知识图谱提升检索增强生成在知识密集型视觉问答中的性能，采用双阶段检索策略和图提取方法构建高质量知识图谱，实验表明优于现有方法。

Comments In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR'26), July 20-24, 2026, Melbourne, VIC, Australia

FT-RAG: A Fine-grained Retrieval-Augmented Generation Framework for Complex Table Reasoning

FT-RAG：一种面向复杂表格推理的细粒度检索增强生成框架

Zebin Guo, Weidong Geng, Ruichen Mao

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Zhejiang University（浙江大学） ； Zhejiang Lab（浙江实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(title,abstract)；分类 cs.CL、cs.AI

AI总结 FT-RAG通过细粒度检索和多模态融合提升表格推理能力，引入多表RAG库增强训练数据，实现表格和单元格命中率显著提升。

Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents

结构感知检索增强生成：面向对话代理的噪声数据结构化检索增强生成

Kaiqiao Han, LuAn Tang, Renliang Sun, Peng Yuan, Wei Cheng, Haoyu Wang, Wei Wang, Yizhou Sun, Haifeng Chen

机构 * UCLA（加州大学洛杉矶分校） ； NEC Labs（日本电装实验室） 纠错

专题命中 图谱与结构化RAG ：RAG(title,summary_cn)；retrieval augmented generation(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出结构感知检索增强生成（SA-RAG），通过表格作为中间结构化表示来减少噪声并保留关键信息，结合质量感知的表格元数据生成框架和优化方法，在噪声真实数据集上显著优于现有RAG基线。

AkasicDB: Demonstrating Omni RAG with a Unified Vector-Graph-Relational DBMS

AkasicDB：展示基于统一向量-图-关系型数据库管理系统的全模态检索增强生成（Omni RAG）

Geonho Lee, Jeongho Park, Donghyoung Han, Min-Soo Kim

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；vector search(abstract)；分类 cs.AI、cs.DB

AI总结 AkasicDB是一款支持在单一框架内协同执行向量、图、关系操作的数据库系统，可实现全模态检索增强生成（Omni RAG），演示显示其性能优于仅向量方法，且暴露了现有数据库架构的局限。

Comments SIGMOD 2026 demonstration

Journal ref SIGMOD Companion 2026, pp. 70-73

MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation

MKG-RAG-Bench：多模态知识图谱增强生成中的检索基准

Xiaochen Wang, Bao Hoang, Han Liu, Ting Wang, Fenglong Ma

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Michigan State University（密歇根州立大学） ； Dalian University of Technology（大连理工大学） ； Stony Brook University（石溪大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；retriever(abstract)；分类 cs.AI

AI总结 提出MKG-RAG-Bench基准，通过构建跨领域多模态知识图谱和问答数据集，系统评估多模态知识图谱增强生成中的检索性能，揭示检索质量对生成结果的决定性作用。

Comments Accepted by KDD'26

RAG over Thinking Traces Can Improve Reasoning Tasks

RAG 基于思考轨迹可提升推理任务

Negar Arabzadeh, Wenjie Ma, Sewon Min, Matei Zaharia

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 提出检索思考轨迹而非文档，通过 T3 方法将其转化为结构化表示，在推理任务上显著提升性能，超越标准 RAG 和无 RAG 基线。

An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach

基于本体的法律规范图式RAG：一种结构、时间与确定性方法

Hudson de Martim

机构 * Federal Senate of Brazil（巴西联邦议会） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出一种基于本体的图式RAG框架，通过建模法律规范的结构和时间特性，解决法律领域检索增强生成系统中对法律层级、时间性和因果关系的忽视问题。

Comments Major revision for clarity and academic precision. Updated title and abstract. Refined core terminology, contributions, related work, and shifted the implementation to a conceptual architecture. Added new arguments to strengthen the paper's thesis

Journal ref Legal Knowledge and Information Systems (JURIX 2025), Frontiers in Artificial Intelligence and Applications, IOS Press, 2025

GraFine: Retrieval-Time Refinement for Efficient Graph RAG over Corpus Graphs

FastInsight: 图形RAG中通过融合运算实现快速且有洞察力的检索

Seonho An, Chaejeong Hyun, Min-Soo Kim

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retriever(abstract)；分类 cs.IR、cs.AI

AI总结 FastInsight通过融合运算提升图RAG检索效率和洞察力，改进检索准确性和生成质量。

Comments CIKM 2026

GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG

GRADRAG：用于协调多智能体RAG的跨组件提示适应

Paolo Pedinotti, Enrico Santus

机构 * Bloomberg（彭博社） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 研究针对多智能体RAG系统各组件孤立优化问题，提出GRADRAG框架，通过将RAG流程建模为计算图，传播评估反馈更新上游智能体，在两种检索范式基准测试中优于单步细化基线，提升了系统性能。

Comments 8 pages

TopoGuard: Graph Theory Based Defenses Against Split-Knowledge Attacks on RAG

TopoGuard：基于图论的针对RAG分裂知识攻击的防御方法

Chahana Dahal, Zuobin Xiong

机构 * University of Nevada, Las Vegas（内华达大学拉斯维加斯分校） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 研究针对RAG系统分裂知识攻击的防御，提出基于图论的TopoGuard方法，通过构建语义相似性图检测恶意拓扑。实验表明其在捕获攻击、运行效率和对抗性方面优于现有方法，有效防御分裂知识攻击。

CausalRAG2: Hierarchical Causal Knowledge Graph Design for RAG

CausalRAG2: 面向RAG的分层因果知识图谱设计

Nengbo Wang, Tuo Liang, Vikash Singh, Chaoda Song, Van Yang, Yu Yin, Jing Ma, Jagdip Singh, Vipin Chaudhary

机构 * Department of Computer and Data Sciences, Case Western Reserve University, Cleveland, OH, USA（计算机与数据科学系，凯斯西储大学，克利夫兰，OH，USA） ； Design and Innovation Department, Case Western Reserve University, Cleveland, OH, USA（设计与创新部门，凯斯西储大学，克利夫兰，OH，USA） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 提出CausalRAG2框架，通过分层模块间的因果门控机制显式建模因果关系，抑制虚假相关，实现大规模知识图谱上的可扩展推理，并引入HolisQA基准，实验表明其优于现有图基RAG方法。

Comments Accepted at ICML 2026

MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention

MetaPlate: 反事实引导的RAG-LLM工具用于个性化食物推荐和高血糖预防

Asiful Arefeen, Carol Johnston, Hassan Ghasemzadeh

机构 * College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院） ； School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 提出MetaPlate框架，结合反事实解释、机器学习预测和RAG-LLM，生成个性化膳食建议以预防餐后高血糖，经注册营养师评估证明其可行性和有效性。

Text-Graph Synergy: A Bidirectional Verification and Completion Framework for RAG

文本-图协同：一种双向验证与完成框架用于RAG

Jiarui Zhong, Hong Cai Chen

机构 * School of Automation, Southeast University（自动化学院，东南大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出TGS-RAG框架，通过双向机制融合文本与图结构，解决传统RAG中信息孤岛问题，提升多跳推理性能。

Comments 12 pages, 3 figures

Beyond Quacking: Deep Integration of Language Models and RAG into DuckDB

超越鸭子叫：将语言模型和RAG深度整合到DuckDB中

Anas Dorbani, Sunny Yasser, Jimmy Lin, Amine Mhedhbi

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.DB

AI总结 本文提出FlockMTL，通过整合语言模型和RAG技术，简化了知识密集型分析应用的开发，采用模型驱动的函数和SQL抽象优化实现效率。

Journal ref Proc. VLDB Endow. (PVLDB), Vol. 18, No. 12, pp. 5415-5418 (2025)

Privacy-Preserving RAG by Concealing Sensitive Information from External LLMs

通过向外部大语言模型隐藏敏感信息实现隐私保护的检索增强生成（RAG）

Saleh Almohaimeed, Saad Almohaimeed, Mousa Jari, Fahad Alotaibi, Khalid A. Alobaid

机构 * College of Applied Computer Science, King Saud University（沙特国王大学应用计算机科学学院） ； Institution of Public Administration（公共行政学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 本文提出SEAG隐私保护框架，通过构建实体替换表替换敏感信息，在向外部LLM隐藏敏感数据的同时保障RAG的回答准确性，相关模型在多维度评估中表现良好。

Comments Submitted to Knowledge-Based Systems Journal

Before Reasoning Can Fail: Pre-Evidence Procedural Failures in Agentic RAG

在推理失效之前：智能体检索增强生成（RAG）中的证据前程序失效

Daeyoung Roh, Donghee Han

机构 * KAIST（韩国科学技术院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 该研究针对智能体RAG系统在推理前的程序失效，提出将错误答案分为两类失效，评估Read-Gate机制，发现强制阅读可提升准确率，且证据收集应作为独立轨迹控制问题评估。

Comments 22 pages, 7 figures. Code: https://github.com/Noverse0/before-reasoning-fails

MC-RAG System: A Structure-Driven RAG System for Multi-Constraint Queries

MC-RAG系统：用于多约束查询的结构驱动RAG系统

Xiao Zhang, Yang Wan, Yi Li, Miao Xie, Chunli Lv

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 针对RAG系统难以满足复杂多约束查询的问题，提出MC-RAG系统，将检索转化为知识图上的子图匹配问题，通过整合语义、结构嵌入与路径级索引，实现可解释、结构感知和约束一致的检索与生成，并提供交互式演示。

Multimodal Graph RAG for Long-range Visually Rich Document Understanding

多模态图RAG用于长程视觉丰富文档理解

Yi-Cheng Wang, Chu-Song Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University（国家台湾大学计算机科学与信息工程系） ； FinTech Center, National Taiwan University（国家台湾大学金融科技中心） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 提出多模态图RAG方法，通过构建多模态知识图谱解决长文档视觉问答中全局理解不足的问题，并引入新基准DLVQA进行评测，实验表明该方法优于现有方法。

ChartWalker: Benchmarking the Cross-Chart RAG Task with Hierarchical Knowledge Graphs

ChartWalker: 跨图表RAG任务的基准测试

Ning Tang, Chenghan Xie, Hanyang Yuan, Yi Li, Renhong Huang, Qian Kou, Xiaofeng Shi, Hua Zhou, Jiarong Xu

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 提出ChartWalker框架，通过层次化知识图谱和结构感知采样生成跨图表RAG基准，揭示现有方法性能差距。

Configurable Clinical Information Extraction with Agentic RAG: What Works, What Breaks, and Why

可配置的临床信息提取与智能体RAG：什么有效、什么失效及原因

Osman Alperen Çinar-Koraş, Marie Bauer, Sameh Khattab, Merlin Engelke, Moon Kim, Stephan Settelmeier, Shigeyasu Sugawara, Fabian Freisleben, Felix Nensa, Jens Kleesiek

机构 * Institute for Artificial Intelligence in Medicine (IKIM), University Medicine Essen（埃森大学医学院人工智能医学研究所） ； Faculty of Computer Science, University of Duisburg-Essen（杜伊斯堡-埃森大学计算机科学学院） ； Department of Physics, TU Dortmund University（多特蒙德工业大学物理系） ； Lamarr Institute for Machine Learning and Artificial Intelligence, TU Dortmund University（多特蒙德工业大学拉马尔机器学习和人工智能研究所） ； Advanced Clinical Research Center, Fukushima Medical University（福岛医科大学先进临床研究中心） ； Department of Cardiology and Vascular Medicine, University Hospital Essen（埃森大学医院心血管内科） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 针对临床文档元数据缺失问题，提出基于智能体RAG的ACIE系统，在埃森大学医学中心部署，通过完整患者上下文推理和源引用验证，在7326次临床判断中实现96.5%的提取接受率。

SEEK: Steering LLM Reasoning for RAG via Internal Reasoning Sketches

SEEK: 通过内部推理草图引导LLM推理用于RAG

Xinze Li, Yuqing Lan, Zhenghao Liu, Haidong Xin, Yukun Yan, Shuo Wang, Zheni Zeng, Sen Mei, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Institute for AI, Tsinghua University, China（清华大学计算机科学与技术系，人工智能研究院） ； School of Intelligent Science and Technology, Nanjing University, China（南京大学智能科学与技术学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出SEEK框架，通过构建结构化引导草图，迭代检索和填充知识槽，减少冗余检索，提升RAG性能。

UniD$^3$: A Knowledge Graph-Enhanced RAG Framework for Drug-Disease Discovery and Reasoning

UniD$^3$：一种用于药物-疾病发现与推理的知识图谱增强RAG框架

Qing Wang, Tianshi Liu, Minghao Zhou, Jialu Liang, Sen Guo, Guangyu Wang, Jing Su, Qianqian Song

机构 * Department of Health Outcomes and Biomedical Informatics, University of Florida（佛罗里达大学健康成果与生物医学信息学系） ； Department of Hematology, H. Lee Moffitt Cancer Center and Research Institute（血液科，H. Lee Moffitt癌症中心与研究院） ； Center for Bioinformatics and Computational Biology, Houston Methodist Research Institute（生物信息学与计算生物学中心，休斯顿方法主义研究学院） ； Department of Cardiothoracic Surgery, Weill Cornell Medicine, Cornell University（心胸外科，Weill Cornell医学，康奈尔大学） ； Department of Biostatistics and Health Data Science, Indiana University School of Medicine（生物统计学与健康数据科学系，印第安纳大学医学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出UniD$^3$框架，结合大语言模型与知识图谱增强检索生成（KG-RAG），从生物医学文献中提取、组织和验证药物-疾病知识，生成结构化数据集并提升推理可靠性。

GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction

GraphSteal：通过遍历重建从图RAG中窃取结构知识

Jinze Gu, Qinghua Mao, Xi Lin, Jun Wu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 提出一种结构导向的重建框架，通过深度优先启发式搜索和广度优先扩散搜索，从黑盒图RAG系统中高保真恢复隐藏知识图，揭示敏感实体、关系和结构依赖。

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG

VideoStir：通过时空结构化和意图感知的RAG理解长视频

Honghao Fu, Miao Xu, Yiwei Wang, Dailing Zhang, Jun Liu, Yujun Cai

机构 * University of Queensland（昆士兰大学） ； University of California, Merced（加州大学默塞德分校） ； Institute of Automation, CAS（中国科学院自动化研究所） ； Lancaster University（兰卡斯特大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 VideoStir通过构建时空图和意图相关性评分器，改进长视频RAG框架，实现基于意图的结构化推理，无需辅助信息即可竞争现有最佳基线。

Comments Accepted by ACL 2026

Knowledge Is Not Static: Order-Aware Hypergraph RAG for Language Models

知识并非静态：面向语言模型的顺序感知超图RAG

Keshu Wu, Chenchen Kuai, Zihao Li, Jiwan Jiang, Shiyu Shen, Shian Wang, Chan-Wei Hu, Zhengzhong Tu, Yang Zhou

机构 * Texas A&M University（德克萨斯大学A&M分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； The University of Kansas（堪萨斯大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本文提出顺序感知超图RAG（OKH-RAG），通过将顺序作为结构属性，改进传统RAG方法，提升对顺序敏感任务的推理能力。

GenerativeMPC: VLM-RAG-guided Whole-Body MPC with Virtual Impedance for Bimanual Mobile Manipulation

GenerativeMPC：基于VLM-RAG的全身体姿MPC与虚拟阻抗的双臂移动 manipulation

Marcelino Julio Fernando, Miguel Altamirano Cabrera, Jeffrin Sam, Yara Mahmoud, Konstantin Gubernatorov, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory（智能空间机器人实验室） ； Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 本文提出GenerativeMPC框架，通过VLM-RAG将语义理解与物理控制参数结合，实现双臂移动 manipulation的高效安全控制，实验表明在近人区域速度降低60%并实现安全社交导航。

Comments 6 pages, 7 figures

Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization

是否需要GraphRAG？从基础RAG到基于图/智能体的上下文优化解决方案

Long Chen, Ryan Razkenari, Yuxuan Zhou, Yuan Tian, Rahul Ghosh, Venkatesh Pappakrishnan, Disha Ahuja, Vidya Sagar Ravipati

机构 * Generative AI Innovation Center, Amazon Web Services (AWS)（亚马逊云科技（AWS）生成式AI创新中心） ； Cisco Systems, Inc.（思科系统公司） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出一个框架，比较常规RAG、GraphRAG、Modular RAG和Agentic RAG在9种标准化场景下的性能，并引入上下文工程方法减少19%-53%的token使用，同时发现检索-生成差距，表明扩展检索未成比例提升生成质量。

Comments Accepted to ACL 2026 GEM Workshop

Graphs Don't Stay Secret: Practical Subgraph Reconstruction Attacks on Defended Graph RAG

图并非保密：对防御图RAG的实用子图重构攻击

Minkyoo Song, Jaehan Kim, Myungchul Kang, Hanna Kim, Seungwon Shin, Sooel Son

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 提出GRASP攻击，通过多轮查询从防御的图RAG系统中重构子图，达到82.9 F1，并评估防御措施。

Not All Entities are Created Equal: A Dynamic Anonymization Framework for Privacy-Preserving RAG

并非所有实体都生而平等：一种面向隐私保护RAG的动态匿名化框架

Xinyuan Zhu, Zekun Fei, Enye Wang, Ruiqi He, Jia Guo, Ruijie Wang, Zheli Liu, Qingkai Zeng

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；retrieval-augmented generation(abstract)

AI总结 针对检索增强生成中敏感实体“一刀切”匿名化导致效用下降的问题，提出基于上下文感知实体量化的动态匿名化框架TRIP-RAG，通过评估边际隐私风险、知识分歧和主题相关性实现变强度隐私保护，在保持隐私保护的同时显著提升生成质量。