ข้ามไปที่เนื้อหาหลัก

งานวิจัย RAG ปี 2025-2026


  1. A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges
    ผู้วิจัย:
    ตีพิมพ์: 12 ธันวาคม 2025 
  2. Uplift-RAG: Uplift-Driven Knowledge Preference Alignment for Retrieval-Augmented Generation
    ผู้วิจัย: Peng, Violet และคณะ
    ตีพิมพ์: พฤศจิกายน 2025 
  3. A Survey of RAG-Reasoning Systems in Large Language Models
    ผู้วิจัย:
    ตีพิมพ์: พฤศจิกายน 2025 
  4. CoT-RAG: Integrating Chain of Thought and Retrieval-Augmented Generation to Enhance Reasoning in Large Language Models
    ผู้วิจัย:
    ตีพิมพ์: พฤศจิกายน 2025 
  5. More Documents, Same Length: Isolating the Challenge of Multiple Documents in RAG
    ผู้วิจัย: Shahar Levy, Nir Mazor, Lihi Shalmon, Michael Hassid, Gabriel Stanovsky
    ตีพิมพ์: พฤศจิกายน 2025 
  6. The RAG Paradox: A Black-Box Attack Exploiting Unintentional Vulnerabilities in Retrieval-Augmented Generation Systems
    ผู้วิจัย: Chanwoo Choi, Jinsoo Kim, Sukmin Cho, Soyeong Jeong, Buru Chang
    ตีพิมพ์: พฤศจิกายน 2025 
  7. EcoSafeRAG: Efficient Security through Context Analysis in Retrieval-Augmented Generation
    ผู้วิจัย: Ruobing Yao, Yifei Zhang, Shuang Song, Neng Gao, Chenyang Tu
    ตีพิมพ์: พฤศจิกายน 2025 
  8. ReGraphRAG: Reorganizing Fragmented Knowledge Graphs for Multi-Perspective Retrieval-Augmented Generation
    ผู้วิจัย:
    ตีพิมพ์: พฤศจิกายน 2025 
  9. Federated Retrieval-Augmented Generation: A Systematic Mapping Study
    ผู้วิจัย: Abhijit Chakraborty, Chahana Dahal, Vivek Gupta
    ตีพิมพ์: พฤศจิกายน 2025 
  10. Controlled Retrieval-augmented Context Evaluation for Long-form RAG
    ผู้วิจัย: Jia-Huei Ju, Suzan Verberne, Maarten de Rijke, Andrew Yates
    ตีพิมพ์: พฤศจิกายน 2025 
  11. RevPRAG: Revealing Poisoning Attacks in Retrieval-Augmented Generation through LLM Activation Analysis
    ผู้วิจัย:
    ตีพิมพ์: พฤศจิกายน 2025 
  12. Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)
    ผู้วิจัย: Junki Mori, Kazuya Kakizaki, Taiki Miyagawa, Jun Sakuma
    ตีพิมพ์ครั้งแรก: 8 ตุลาคม 2025 (arXiv) 

งานวิจัย RAG ปี 2026

  1. Retrieval as Generation: A Unified Framework with Self-Triggered Information Planning
    ผู้วิจัย: Bo Li, Mingda Wang, Gexiang Fang, Shikun Zhang, Wei Ye
    ตีพิมพ์: กรกฎาคม 2026 (ACL 2026) 
  2. R³AG: Retriever Routing for Retrieval-Augmented Generation
    ผู้วิจัย: Tong Zhao, Yutao Zhu, Yucheng Tian, Zhicheng Dou
    ตีพิมพ์: กรกฎาคม 2026 (ACL 2026) 
  3. Stable-RAG: Mitigating Retrieval-Permutation-Induced Hallucinations in Retrieval-Augmented Generation
    ผู้วิจัย: Qianchi Zhang, Hainan Zhang, Liang Pang, Hong-Wei Zheng, Zhiming Zheng
    ตีพิมพ์: กรกฎาคม 2026 (ACL 2026) 
  4. MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation
    ผู้วิจัย: Chi-Hsiang Hsiao, Yi-Cheng Wang, Tzung-Sheng Lin, Yi-Ren Yeh, Chu-song Chen
    ตีพิมพ์: กรกฎาคม 2026 (ACL 2026) 
  5. AgenticRAGTracer: A Hop-Aware Benchmark for Diagnosing Multi-Step Retrieval Reasoning in Agentic RAG
    ผู้วิจัย: Qijie You, Wenkai Yu, Hao Liang, Zhen Hao Wong, Wentao Zhang
    ตีพิมพ์: กรกฎาคม 2026 (Findings of ACL 2026) 
  6. Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)
    ผู้วิจัย: Junki Mori, Kazuya Kakizaki, Taiki Miyagawa, Jun Sakuma
    ตีพิมพ์: กรกฎาคม 2026 (Findings of ACL 2026) 

หมายเหตุ: สำหรับงาน conference เช่น ACL/EMNLP แหล่งทางการมักระบุวันที่ตีพิมพ์เป็น เดือน/ปีของ proceedings ไม่ใช่วัน-เดือน-ปี ดังนั้นผมไม่เติม “วันที่” ที่ไม่มีหลักฐานให้ครับ.


ความคิดเห็น

โพสต์ยอดนิยมจากบล็อกนี้

Anvil แฟลต์ฟอร์ม สำหรับ Python Full Stack มีครบ จบในเครื่องมือเดียว

Anvil แฟลต์ฟอร์ม สำหรับ Python Full Stack มีครบ จบในเครื่องมือเดียว Avil เป็นแฟลต์ฟอร์มสำหรับสร้างเว็บแอพลิเคชั่น ด้วยภาษา python สามารถใช้งานทั้ง HTML CSS JavaScript SQL ทั้งหมดนี้รวมในเครื่องมือที่ชื่อว่า Anvil Python ใช้สำหรับรันบนบราวเซอร์ เซอร์เวิรส์ และสร้าง UI ด้วยวิธีการ Drag-and-Drop เพียงลากวาง UK และยังสามารถเชื่อมต่อและใช้งาน Database  และยังสามารถ Integration กับแฟลต์ฟอร์มอื่นๆ ได้อีกด้วย โครงสร้างของ Anvil  การออกแบบง่ายๆ ด้วย drag-and-drop ใช้ python เป็น client-side และรันบน บราวเซอร์ Server-side รันบน Anvil Server สามารถใช้ Database ต่างๆ เพื่อเก็บข้อมูล สามารถรัน python บนเครื่องและตอบโต้กับแอปพลิเคขั่นไดด้

อะไรคือ NPU (Neural Processing Unit) มีความสำคัญอย่างไร แนวคิดมาจากไหน

ความหมาของคำว่า NPU (Neural Processing Unit)  NPU (Neural Processing Unit) คือ หน่วยประมวลผลโครงข่ายประสาทที่สร้างมาเพื่อใช้งานด้านปัญญาประดิษฐ์ เป็นหน่วยประมวลผลพิเศษที่ออกแบบมาเพื่อใช้ในแนวคิดของการเรียนรู้ของเครื่อง (Machine Learning) ของคอมพิวเตอร์โดยเฉพาะ ทำให้การประมวลผล AI ทรงประสิทธิภาพเพิ่มขึ้นจากเดิมของ TPU GPU และ CPU เช่น การจดจำภาพ, วิเคราะห์เสียง, หรือการแปลภาษา ทำได้รวดเร็วและประหยัดพลังงานกว่า CPU/GPU ทั่วไป โดยทำงานคล้ายโครงข่ายประสาทของมนุษย์ และพบได้ทั้งในสมาร์ตโฟน, คอมพิวเตอร์ (PC), และอุปกรณ์ AI อื่นๆ ในอนาคต เพื่อเร่งความเร็วของการทำงานของ AI สามารถจัดการงานและปัญหาที่ซับซ้อนได้อย่างมีประสิทธิภาพ  ประวัติความเป็นมาของ NPU (Neural Processing Unit)  ตั้งแต่ปี 1970 เป็นต้นมาเราได้ใช้เริ่มมีการใช้หน่วยการประมวลผลแบบดั้งเดิม คือ หน่วยประมวลผลกลาง (CPU) ถือเป็น "สมอง" และเป็นกลไกการทำงานของคอมพิวเตอร์ ดังนั้นซีพียู CPU ประมวลผลงานคำนวณแบบดั้งเดิมส่วนใหญ่มีหน้าที่รับผิดชอบการทำงานของแอปพลิเคชันให้มีศักยภาพหลากหลายเพิ่มมาเรื่อย แม้ว่าจะมีหลายประเภท แต่โดยทั่...

TomCat สำหรับติดตั้ง แก้ไข คอนฟิก ใช้งาน JSP

Apache Tomcat เป็น  HTTP Server ที่มีความสามารถนำภาษาจาวามาใช้งานได้  สามารถใช้เทคโนโลยีของภาษาจาวาที่เรียกว่า Java Servlet  และ Java Server Page (JSP)  Tomcat เป็นโปรแกรม Open-Source  อยู่ภายใต้การดูแลของ Apache Software Foundation  (ซึ่งเป็นผู้สร้าง Apache HTTP Server ที่เป็นที่นิยมใช้กันอย่างแพร่หลาย)  สามารถอ่านรายละเอียดของ Tomcat ได้ที่  http://tomcat.apache.org  โดยเลือกหัวข้อ “ Documentation”  และเลือก “Tomcat 7.0” ขั้นตอนการติดตั้ง Tomcat เรียงลำดับดังนี้