knowledge graph
PulseAugur coverage of knowledge graph — every cluster mentioning knowledge graph across labs, papers, and developer communities, ranked by signal.
- uses Graph RAG 90%
- used by entity alignment 90%
- used by Graph RAG 90%
- used by graph neural networks 80%
- uses SPARQL 80%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- used by CatalyzeX Code Finder for Papers 70%
- used by scite Smart Citations 70%
- used by Connected Papers 70%
- 2026-05-19 research_milestone A new paper proposes a framework for inferring and defending against sensitive attribute inference from knowledge graph embeddings. 来源
17 天有情绪数据
-
G-MARK框架利用知识图谱实现更安全的协同驾驶
研究人员推出G-MARK，一个利用知识图谱增强协同驾驶系统的新型框架。该方法显式跟踪对象观测、其来源、可见性和不确定性，解决了当前方法将此信息压缩为潜在特征的局限性。G-MARK的知识图谱能够实现更鲁棒的对象推理、运动预测和轨迹预测，与现有最先进的基线相比，显著提高了遮挡推理能力并减少了控制选择错误。
-
图 RAG 使用知识图谱解决复杂问题
一个演示展示了图 RAG 如何结合知识图谱和多跳推理来解决复杂问题。该示例涉及一个虚构场景，即一颗钻石在一列行驶的火车上消失，说明了这种人工智能方法在寻找传统向量搜索可能忽略的细微线索方面的能力。
-
新框架利用专家知识对抗大语言模型幻觉
一篇新的研究论文介绍了一个使用因果提示工程（Causal Prompt Engineering）的框架，通过将领域专家知识编码到专家心智模型（Expert Mental Model, EMM）中来减少大语言模型（LLM）的幻觉。该方法解决了关键信息是默会知识（tacit knowledge），即未被记录，且当前检索增强生成（RAG）方法失效的情况。该框架形式化了因素构建和单调性保持等先决过程，从而实现了一个大大降低了提取专家知识复杂性…
-
关于知识图谱嵌入的AI研究论文被 IEEE ICDM 2026 接收
一篇题为“ATLAS: Adaptive Attribute-Aware Post-Hoc Alignment of Knowledge Graph Embeddings”的研究论文已被 IEEE 国际数据挖掘会议 (ICDM) 2026 接收。会议将于11月12日至15日在中国沈阳举行。论文作者包括 Duygu Ekinci、N'Dah Jean Kouagou、Mohamed Ahmed Sherif 和 Axel Ngonga。
-
Noesis架构通过自适应并行和跨知识库路由增强Graph-RAG · 跟踪2个来源
研究人员推出了一种新颖的Graph-RAG架构Noesis，旨在克服将大型语言模型与领域特定知识进行基础化的局限性。Noesis采用了四种关键算法：用于模拟人类阅读的双向图遍历、用于实现23倍加速的自适应扩展的AIMD并发控制器、用于提供消费级GPU上6.3倍加速的领域感知量化的Moesis，以及用于跨知识库语义路由的Mesh。该系统在HotpotQA基准测试中表现出显著的改进，达到了59.5 EM / 74.7 F1，比现有的Gra…
-
AI Agent 复兴经典计算机科学概念
AI Agent 并非全新事物，它们正在复兴若干基础计算机科学概念。这些概念包括符号人工智能、专家系统和知识图谱，它们在早期人工智能研究中曾占据重要地位。此外，AI Agent 还利用搜索算法、强化学习和贝叶斯网络的进步来解决复杂问题和改进系统设计。
-
LLM通过知识图谱构建自动化复杂系统诊断
研究人员开发了一个新的框架，用于自动构建动态主逻辑（DML）模型，然后将其表示为知识图谱（KG-DML）。该过程利用检索增强生成和大型语言模型来解析技术文档，克服了手动构建复杂系统的局限性。所得的KG-DML模型可用于诊断推理、安全评估和可靠性分析，其应用已在沸水堆低压冷却剂注入系统上得到证明。
-
知识图谱论文详述身份与本体标注方法
本文介绍了一种在生产知识图中管理身份和本体标注的新方法，重点关注数据摄取的关键阶段。它详细介绍了一个系统，该系统通过采用优先考虑标识符列和名称匹配而非简单相似性的记录身份梯队，来防止破坏性合并错误。研究还解决了多类本体标注问题，提出了一种需要锚定证据以避免错误分类和改进角色分配的方法。作者量化了图表的合规性债务，并描述了大量待处理的策展提案。
-
新的AVA-Encoder框架使AI智能体能够通过知识图谱从电影中学习
研究人员推出AVA-Encoder，一个旨在使创意智能体能够从高质量人类电影中学习的新颖框架。该系统将视频转换为结构化知识图谱（KGs），智能体可以轻松理解、查询和编辑。AVA-Encoder随后从该KG重建视频，利用差异来优化表示并提高智能体推理能力。实验表明，与现有方法相比，该方法有了显著改进，并且系统提示令牌数量显著减少。
-
人工智能、数字孪生和FAIR数据在佛罗伦萨遗产大会上汇聚
佛罗伦萨的“数字遗产4.0生态系统”会议汇聚了专家，讨论了人工智能、数字孪生、FAIR数据和知识图谱的整合。会议重点关注数字遗产项目中的信任、问责制和长期可持续性等关键问题。会议探讨了遗产保护与先进数字基础设施的交叉点。
-
新的DRBENCHER基准测试AI代理的综合浏览和数学技能
研究人员推出了DRBENCHER，这是一个旨在评估AI代理结合网络浏览和多步数学计算能力的基准。与以往单独评估这些技能的基准不同，DRBENCHER从知识图中综合问题，要求代理识别实体、检索属性并执行特定领域的计算。该基准涵盖五个领域：生物化学、金融、地球物理学、安全和历史。人工评估显示有效率为76%，其中相当一部分错误归因于过时的知识图数据，而即使是先进的前沿模型在该基准上的准确率也仅为20%。
-
新的多模态人工智能系统集成了RAG、热传感用于损伤分析
研究人员开发了一个集成的多模态人工智能系统，用于损伤评估。该系统将检索增强生成（RAG）与热传感和视觉基础模型相结合。RAG组件将语言模型基于项目特定文档进行接地，以提高事实一致性，其中基于图的检索在复杂推理任务中表现出更强的性能。热传感增强了物体检测和分割，尤其是在不利条件下，而视觉模型则生成合成数据并对损伤严重程度进行分类。该系统还探索了无线传感，用于检测其他方法失效的环境变化。
-
新的H2架构通过LLM驱动的元数据协调医疗数据
研究人员推出了一种新颖的双混合语义数据湖架构H2，旨在协调异构医疗数据。该系统利用知识图谱进行灵活的数据表示，并结合人工验证的元数据注释方法。此外，它还利用LLM驱动的流程自动生成元数据，从而识别适合不同数据集的机器学习操作，并解决医疗数据存储中的数据沼泽问题。
-
KGCache系统加速LLM知识图谱推理
研究人员开发了KGCache，一种新颖的内存缓存系统，旨在提高大型语言模型（LLM）在知识图谱推理时的效率。KGCache存储频繁访问的单跳知识图谱邻域，减少不同问题之间的冗余查询。该系统兼容迭代遍历和单次规划的KGQA范式。在WebQSP和CWQ数据集上的评估显示，实体重用显著，实体缓存将KG检索速度提高了1.91倍，语义上下文缓存实现了高达1.06倍的整体系统加速。
-
大型语言模型代理和知识图谱协同作用，用于城市社会经济预测
研究人员开发了一个新颖的框架，该框架结合了大型语言模型（LLM）代理和知识图谱，以增强城市社会经济预测。这种方法在一个新的arXiv论文中进行了详细介绍，它构建了一个城市知识图谱（UrbanKG），并对嵌入式语言模型进行微调以捕获语义信息。然后，LLM代理利用这个知识图谱来识别相关的元路径以进行预测任务，并通过一个语义引导的注意力模块整合知识。该框架还包含一个跨任务通信机制，允许LLM代理和知识图谱在不同的社会经济预测任务之间共享知识…
-
新的基准 ENTLORE 测试企业问答中的潜在组织推理 · 跟踪 6 个来源
研究人员推出了 ENTLORE，这是一个旨在评估企业问答系统中潜在组织推理能力的新基准。该框架从文档和组织表中重建企业结构，以测试模型推断隐含关系的能力，而不仅仅是陈述的事实。ENTLORE 包含 2,341 份文档和 907 个问题，结果显示，虽然将数据构建为知识图谱可以提高性能，但仍有很大一部分潜在问题未得到解答。此外，其他研究探索了用于知识图谱问答的智能体方法，重点关注自我改进和合成轨迹课程，以增强推理和泛化能力。
-
新方法从转换后的版本重建原始本体规则
研究人员开发了一种方法，可以从Datalog规则推理器使用的转换版本中重建原始的基于规则的本体。此过程旨在提供可理解的、基于初始规则而非优化后的重写规则的推理事实的解释。该研究分析了此重建问题的计算复杂性，并确定了适用于指定所涉及的证明转换的特定语言。
-
多模态人工智能系统集成RAG、视觉和无线传感技术用于损伤评估
研究人员开发了一个统一的多模态人工智能系统，用于损伤评估。该系统将检索增强生成（RAG）与语言模型、热谱感知、视觉基础模型和无线传感能力相结合。RAG组件通过将语言模型 grounding 在项目特定文档中来增强事实一致性，其中知识图谱变体在需要跨文档推理的查询方面表现出更好的性能。为了克服标准图像的局限性，该系统集成了红外传感技术用于物体检测和分割，并利用视觉基础模型和视觉语言模型进行损伤分类。此外，还探索了无线传感技术，用于在其他…
-
知识图谱在AI系统超越RAG局限性方面获得关注
虽然检索增强生成（RAG）通过检索相关文本块在问答方面卓有成效，但它难以处理需要理解不同信息之间关系的复杂系统级查询。知识图谱正重新成为解决这一局限性的关键组成部分。通过结构化地表示数据及其连接，知识图谱使AI系统能够推理关系，从而克服了RAG管道中向量相似性的固有局限性。
-
新框架增强了LLM在不完整知识图上的推理能力
研究人员开发了一种新颖的基于图的软提示框架，以提高大型语言模型（LLM）在处理不完整知识图时的推理能力。该方法将重点从显式路径遍历转移到子图级别的推理，利用图神经网络（GNN）将结构化子图编码为软提示。这使得LLM能够处理更丰富的上下文信息，并更有效地识别相关实体，即使在边缺失的情况下也是如此。该框架采用两阶段过程，首先使用轻量级LLM识别相关实体和关系，然后使用更强大的LLM进行证据感知答案生成，在四个多跳知识库问答（KBQA）基准…