#Budgeted Retrieval

3 篇

Learning Marginal Viewpoint Utility for Budgeted Evidence Selection in RAG

RAG预算证据选择的边际视角效用学习

🧭 RAG 预算证据选择 · 边际视角覆盖

Nanyang Technological University · University of Toronto

提出LMVU轻量排序器，按边际视角覆盖增量选择证据，在有限上下文下提升多视角覆盖

📌 工作参考价值（4 点）

在电商 RAG 场景（商品问答、评论摘要、多卖点对比）中，上下文预算有限，可借鉴边际视角覆盖思想：优先选择能补充当前已选集合缺失观点的候选，而非单纯按相关性得分截断。
训练数据构造：利用已有的观点/标签标注（如评论情感、产品属性、类目标签）作为伪视角，构造同一选择状态下的候选配对，让 ranker 学习增量覆盖价值；推理时迭代选择，类似贪心式集束搜索，开销低。
评估指标：用 RVC1/RVC2 度量检索结果的视角覆盖度，可作为多样性/覆盖度补充指标，尤其当业务目标要求搜索结果覆盖不同用户意图或品类时。
轻量 ranker 设计可作为在线精排后的二次重排组件，输入包括已选证据集合与候选的交互特征，输出边际增益，适合低延迟的实时检索链路。

RAG | 2026-10-21 | cs.IR | score 7/10

Top-K 不是混合检索的预算

🧭 RAG 混合检索预算优化

Southwest Jiaotong University

DiBud 以访问预算为输入，增量认证 RRF 排名精确前缀，用更少访问量保留混合检索质量

📌 工作参考价值（4 点）

将访问预算作为第一输入替代固定 Top-K 截断：在电商搜索/推荐混合召回中，向量与倒排融合常固定取前 L 条，但长尾查询成本波动大。可借鉴 DiBud，对每次请求设定硬访问预算（如最多读取多少候选），通过选择性访问动态决定每个通道的读取深度，保持延迟稳定。
增量认证与预算停止：DiBud 不会一次性计算完整融合，而是逐步输出已确定顺序的 RRF 前缀，预算耗尽即停止。推荐系统可据此实现流式/增量融合，优先保证已认证 top 项的正确性，并设置强制停止点，降低线上最坏延迟。
质量保留校准：用 held-out 查询校准预算参数，在满足 95% nDCG 保留的前提下大幅减少访问。可以按不同流量桶/查询类型离线校准预算，线上按查询特征动态选择预算，替代全局统一 Top-K，实现成本与质量的最优折中。
长尾成本意识：论文显示完成精确 Top-20 的访问分布长尾，少量高成本查询拖累系统。应监控访问成本分布，对异常高成本查询设置兜底预算。

RAG | 2026-09-14 | cs.IR | score 7/10

AB-RAG：面向可靠问答的自适应预算检索增强生成

🧭 训练无关的自适应预算RAG与置信度估计 ★ 深度解读

Manipal University Jaipur

无需训练、骨干无关的自适应RAG框架，用三信号置信度控制检索深度，实现高低置信答案准确率57.6% vs 0%的分离

📌 工作参考价值（4 点）

预算可控的自适应检索框架：可借鉴到需要调用LLM的推荐/搜索系统中，通过置信阈值平衡效果与调用成本，尤其适合按量计费的商业API场景。
闭源API的置信度代理：对于无法获取token概率的闭源模型，采用self-consistency（多次采样取众数一致性）作为模型确信度的代理信号，直接可用于线上QA或相似度判断任务。
多信号置信度设计思路：模型内部确信度是最强预测信号，检索得分方差可作为检索质量奖励项，而答案-证据嵌入相似度对短文本任务无效——在构建电商/广告的LLM置信判断时，应优先利用内部概率或采样一致性，并警惕语义相似度在短文本场景的失效。
选择性预测与成本控制：利用置信度分离高/低质量回答，高置信直接返回，低置信触发额外检索或人工审核，既提升可靠性又控制检索开销，适合对时延和预算敏感的在线推荐系统。

RAG | 2026-06-27 | cs.IR | score 8/10