标签
本文通过分离图导航能力，对KGQA中的小型语言模型进行超越答案准确率的评估，结果显示路径保真度存在显著差异，并强调需要更广泛的评估指标。
本文研究了图引导的证据导航如何通过本地9B语言模型改善长篇小说推理，并从侦探小说实验中提供了探索性证据，但未在基线上获得统计学显著收益。
SCoP 引入了一个以约束为中心的框架，用于时序知识图谱问答，该框架将时序决策外部化以过滤证据，并在 MultiTQ 和 TimelineCronQ-R 等基准数据集上提高答案准确性。
本文介绍了 KG-Chronos-2，这是一种通过知识图谱增强来改进冻结时间序列基础模型的方法，用于改善 HEC-RAS 中水面高程的代理预测，结果表明与基线方法相比，RMSE 有显著降低。
本文介绍G-RELIC，一种基于图的方法，通过结合LLMs与图技术，改善临床文档重词汇化的一致性，增强关系完整性和时间连贯性，同时保持隐私基准。
本文提出VisKG-LM，一种将知识图谱编译为视觉记忆以进行高效多项选择题问答的方法，通过将图编码与语言推理解耦，在基线上实现性能提升。
本文对知识图谱增强和检索增强生成在文化特定问答中的表现进行了基准测试，使用LatamQA数据集展示了在拉丁美洲文化数据上的显著错误减少。
CoG 是一种认知启发的免训练框架，适用于检索增强生成中的自适应知识探索，通过计划-探索-反思循环与双向图-文本协同，在多跳问答基准测试上实现了最先进的性能。
GraphProfiler 引入了一种可审计的基于LLM的分析器，该分析器使用源链接的个人知识图谱从用户生成的内容中推断敏感属性，并为预测提供证据引用。
文章解释了为什么知识图谱在AI系统的记忆存储中优于平面列表，因为它们能有效处理对同一实体的多个引用，并防止搜索结果的碎片化或矛盾。
本文提出将输入图具体化为固定词汇表，使标准GNNs能够跨未见过的知识图谱和关系数据库实现零样本链接预测，匹敌像ULTRA这样的专用基础模型。
本文提出了语义贝叶斯世界模型（SBWMs），旨在弥合知识图谱的精确断言与基础模型的概率推理之间的鸿沟，实现共享且不断演化的信念网络，以在不确定性下进行统一推理。
HyGRAIL是一个成本感知框架，结合了GNN分诊与LLM审查，用于在知识图谱上进行科学假设发现，在MatKG基准测试中实现了F1分数的提升和LLM调用次数的减少。
本文讨论了 AI 代理记忆系统在数月生产使用后出现的故障，并征求社区在这些方面的经验。
本论文介绍了 AVA，这是一个评估 NLP 嵌入捕捉本体推理能力的框架，发现了显著的局限性，并质疑了强 NLP 性能转化为语义网能力的假设。
本文评估了一个面向长期LLM代理的基于图的记忆框架，发现该框架在召回指标上并不优于扁平向量检索，但选择性遗忘模块能以最小性能损失有效减少存储。
本文提出了LitEm，一个神经回归模型，它使归纳式知识图谱嵌入模型能够预测数值属性，在基准测试中取得了优异结果，并引入了一个协同训练框架以提升性能。
本文讨论了AI模型是否需要专门的长期记忆系统（如RAG）还是扩大上下文窗口就足够了，提出了两种方法的论点，并寻求社区反馈。
HyperExtract 是一个基于 LLM 的框架，用于将非结构化文档转换为结构化的知识图谱、超图和列表，简化知识提取和管理。