AI Papers Daily

#Retrieval Budget

3 篇

More Context, Same Budget: Dual-Bounded Relational Recall Beyond Top-K Retrieval

更多上下文，相同预算：超越Top-K检索的双界关系召回

🧭 检索上下文分配 · 图关系扩展 ★ 深度解读

Radiant Institute for Manifold Studies (RIMS)

相同检索预算下，用相关性种子加图邻接扩展比平铺top-k多恢复23.8个百分点的完整支持证据

📌 工作参考价值（5 点）

• 在RAG/搜索上下文中，不要把上下文窗口只当Top-K分数填充：可以预留一部分预算给与已选高相关实体有边关系的邻居（知识图谱、共现、商品关系等），这对需要多跳证据的查询尤其有效。实验证明相同token/对象预算下，图邻接扩展比继续下钻排名多恢复24%的完整证据集。
• 评估检索不要只看单条hit rate或recall@k：改用「完整支持集恢复」这类集合级指标，才暴露出平铺top-k在组合证据上的短板。电商导购中一个答案往往需要多个商品/属性共同支撑，单条命中掩盖了证据不完整问题。
• 问题类型决定策略：桥接类/多跳查询从关系扩展中获益巨大（+28.7pp），比较类查询几乎不获益（+4.2pp）。先做查询类型识别，再有条件触发关系扩展，能集中预算、减少对平铺场景的伤害。
• 关系质量必须用真实业务图谱：随机邻居和度保持打乱图都显著弱于真实关系图，说明不能只靠粗略共现或结构相似，要构建和维护语义准确的知识图谱。
• 注意伤害案例：关系扩展替换掉了192个问题本可恢复的平铺项，并非单调有益。部署时应学习一个选择器或价值模型，在扩展和继续下钻之间做期望收益判断。

RAG | 2026-08-19 | cs.IR | score 8/10

Retrieval BudgetGraph-adjacent ContextHotpotQAEvidence RecoveryTop-K RetrievalRAG

DynaKRAG: A Unified Framework for Learnable Evidence Control in Multi-Hop Retrieval-Augmented Generation

DynaKRAG：多跳RAG中可学习证据控制的统一框架

🧭 可学习证据控制 · 多跳RAG

Shanghai Jiao Tong University · Shanghai Aircraft Manufacturing Co., Ltd. · Tongji University

将多跳证据获取构建为状态条件下的原子操作控制问题，通过学习控制器动态选择操作，性能全面超越固定基线。

📌 工作参考价值（4 点）

• Agent 动作调度借鉴：在多 Agent 搜索/推荐系统中，可引入状态条件动作空间，动态决定检索、查询改写、证据批判或停止，替代固定管道，提升多步推理任务的效率与效果。
• 轻量控制器设计：使用小型 LLM 学习策略控制器，根据当前证据状态选择下一步动作，适合业务中平衡推理能力与延迟，可集成到现有的 LLM-based Agent 架构。
• 充分性反馈机制：将“当前证据是否足够回答”的判断集成进工作流，避免冗余检索或对话轮次，对电商客服、商品咨询等多轮交互场景有直接降本价值。
• 检索预算动态分配：实验表明额外检索并非均匀有益，可根据查询难度动态分配检索次数，对广告召回、搜索排序系统的资源优化有直接指导意义。

RAG | 2026-07-07 | cs.IR | score 7/10

Multi-Hop RAGLearnable ControlState-Conditioned PolicyEvidence OperationsSufficiency FeedbackRetrieval Budget

Know Before You Fetch: Calibrated Retrieval-Budget Allocation for Retrieval-Augmented Generation

获取前须知：检索增强生成中校准的检索预算分配

🧭 自适应检索预算分配 · RAG 校准

University of Maine at Presque Isle · Stanford University · Independent Researcher

为 RAG 提出校准概率接口，依置信度分配检索预算（闭卷/紧凑/完整/弃答），实现延迟与准确率权衡

📌 工作参考价值（4 点）

• 在检索增强的推荐或搜索系统中，可以根据模型置信度自适应调整检索深度（如仅用闭卷回答或检索少量文档），节省计算资源并减少延迟。
• 将序列对数概率等不确定性信号校准为正确性概率，用于选择性召回或拒绝回答，避免低质量输出影响用户体验，尤其适合高可靠性要求的排序或问答环节。
• 提供校准后的概率接口，允许系统在延迟和准确率之间显式权衡，可通过设置不同阈值适应不同场景（如高吞吐的广告检索与低延迟的在线推荐）。
• 离线校准步骤（如 Platt scaling）能大幅降低预期校准误差（ECE），直接移植到电商 RAG 管道中，提升检索决策的可靠性。

RAG | 2026-06-29 | cs.IR | score 7/10

RAGCalibrationRetrieval BudgetUncertainty EstimationProbability InterfaceAdaptive RAG