KGQA
PulseAugur coverage of KGQA — every cluster mentioning KGQA across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新基准评估LLM在地理时空停电分析方面的能力
研究人员推出了GeoOutageBench，一个旨在评估大型语言模型（LLMs）在执行地理时空知识图谱问答（KGQA）以分析停电和基础设施韧性方面的能力的新基准。该基准独特地整合了来自各种来源的视觉、文本和结构化数据，包括停电记录、卫星图像和天气数据，以及领域本体。GeoOutageBench提供了一个具有不同难度级别的查询分类，以评估LLM对模糊时空问题的理解能力、本体的使用情况以及在多模态KGQA检索中的准确性，为评估LLM-KG…
-
新研究指出子图构建是基于GNN的KGQA中的关键失败点
研究人员发现，在基于图神经网络的知识图谱问答（KGQA）管道受到对抗性攻击时，子图构建阶段是导致失败的主要原因，而非GNN推理阶段。通过使用两种新的扰动——组合重构和关系同义词替换——的阶段隔离协议，研究发现超过99%的端到端崩溃发生在子图构建过程中。这突显了答案存在性与答案可达性之间的关键区别，表明缓解措施应侧重于改进子图检索，而非仅仅关注推理模型。
-
新框架MissDiag评估知识图谱问答和知识图谱检索增强生成在知识缺失情况下的鲁棒性
研究人员推出了一款名为MissDiag的新框架，旨在评估知识图谱问答（KGQA）和基于知识图谱的检索增强生成（KG-RAG）系统在面对不完整知识时的鲁棒性。与以往提供聚合分数的旧方法不同，MissDiag在保持问题和答案不变的情况下，对支持图谱进行结构化的缺失干预。这种方法可以更详细地了解不同类型的缺失证据如何影响系统性能和评估协议，并揭示了相邻证据的丢失会导致最显著的性能下降。
-
新的KG2Code方法通过可执行代码连接知识图谱和LLM
研究人员推出了一种名为KG2Code的新方法，该方法将知识图谱转换为可执行代码格式。此方法旨在通过利用现代大型语言模型（LLM）的代码感知能力来改进知识图谱问答（KGQA）。KG2Code框架将KGQA构建为代码生成任务，从而实现可验证的推理轨迹和可执行代码，有助于减少幻觉。此外，还开发了一个自动化流程，用于创建大规模代码语料库，以便在此任务上训练开源LLM，从而实现零样本KGQA性能。
-
MARS 系统集成了 LLM 和知识图谱，无需微调即可实现 KGQA
研究人员开发了 MARS，一种用于知识图谱问答 (KGQA) 的新方法，该方法将大型语言模型 (LLM) 与知识图谱 (KG) 相结合，无需模型微调。MARS 采用结构化检索过程将问题实体链接到 KG，并迭代获取相关信息。该系统自适应地决定何时继续图遍历或生成最终的 SPARQL 查询，为完全自主的方法提供了一种更可预测的替代方案。MARS 在 KGQA 基准测试中表现出具有竞争力的性能，证明了其高效和可扩展性。