最近，哈工大(深圳)信息学部计算机科学与技术学院硕士生焦曙光的论文《PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation》和硕士生黄驿诚的论文《AWMA-MoE: Attention-Guided Watermark Adapter with MoE for Latent Diffusion Models》被会议The Web Conference 2026 (WWW 2026)录用。
01论文详情
论文题目：PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation
论文作者：焦曙光、肖鑫宇、魏云帆、漆舒汉（通讯作者）、黄澄楷（共同通讯）、盛权政、姚丽娜
作者单位：哈尔滨工业大学（深圳）、华南理工大学、新南威尔士大学、麦考瑞大学、深圳市乐谱兰斯科技有限公司
01论文简介
检索增强生成（Retrieval-Augmented Generation，RAG）已成为提升大语言模型在知识密集型与推理任务中表现的一种强大框架。然而，随着推理链条不断加深或搜索树持续扩展，RAG系统往往面临两类长期存在的失败问题：其一是证据遗忘，即已检索到的知识未能在推理与生成过程中得到有效利用；其二是效率低下，主要源于缺乏约束的查询扩展以及冗余检索操作。这些问题揭示了当前 RAG架构在检索阶段与证据利用阶段之间仍存在关键性的脱节。为此，我们提出了PruneRAG，一种基于置信度引导的查询分解框架，通过构建结构化的查询分解树，实现稳定且高效的推理过程。PruneRAG 主要包含三项核心机制：（1）自适应节点扩展，用于动态调控搜索树的宽度与深度；（2）置信度引导决策，在接受高可靠性答案的同时，对不确定分支进行剪枝；（3）细粒度检索，通过抽取实体级锚点以提升检索精度。上述机制协同作用，在显著降低检索开销的同时，有效保留多跳推理过程中关键证据的信息。此外，为更系统地分析证据误用问题，我们提出了证据遗忘率（Evidence Forgetting Rate）这一度量指标，用于量化“已成功检索到黄金证据但未被正确使用”的情形。大量在多跳问答基准上的实验结果表明，PruneRAG在准确性与效率方面均显著优于当前最先进的方法。
图1 PruneRAG框架图
图2 与其他基线方法的对比实验结果
01第一作者简介
焦曙光，哈尔滨工业大学（深圳）2024级硕士研究生，研究方向为基于智能体的检索与推理协同。指导老师为漆舒汉教授。本论文受到广东省安全智能新技术重点实验室和国家自然科学基金面上项目的资助。对参与论文工作的各位合作老师表达由衷的感谢！
02论文详情
论文题目：AWMA-MoE: Attention-Guided Watermark Adapter with MoE for Latent Diffusion Models
论文作者：黄驿诚、肖鑫宇、张健、漆舒汉（通讯作者）、吴宇琳、王轩
作者单位：哈尔滨工业大学（深圳）、北京大学
02论文简介
随着生成模型的持续发展，其生成的图像愈加逼真，也引发了人们对信息真实性受损、模型被恶意滥用的担忧。隐形水印技术为生成图像的检测与溯源提供了一种实用可行的解决方案，然而现有图像水印方法大多聚焦于提升水印鲁棒性，一定程度上忽视了因此导致的图像质量下降，二者的平衡仍有较大提升空间。针对这一问题，本文提出了 AWMA-MoE 框架，能够在保持水印鲁棒性的同时，有效提升生成图像的质量。具体而言，该方法设计了一款基于注意力机制的水印适配器，可为图像不同区域分配差异化嵌入强度，实现自适应强度水印的嵌入。在此基础上，进一步引入混合专家架构，借助各专家模型的多样性优势，在维持水印鲁棒性的前提下进一步优化图像生成质量。实验结果表明，AWMA-MoE 框架能够显著降低生成图像的失真程度，同时展现出极具竞争力的水印性能，不仅在生成图像的水印处理任务中实现了图像质量与水印鲁棒性的更优平衡，还进一步打通了后置嵌入与联合生成两类水印方法的技术关联。
图1 AWMA-MoE算法框架
表1 基线方法实现对比效果
02第一作者简介
黄驿诚，哈尔滨工业大学（深圳）2023级硕士研究生，研究方向为生成图像水印。指导老师为漆舒汉教授。本论文受到广东省安全智能新技术重点实验室和国家自然科学基金面上项目的资助。对参与论文工作的各位合作老师表达由衷的感谢！
