PrimeKG
PulseAugur coverage of PrimeKG — every cluster mentioning PrimeKG across labs, papers, and developer communities, ranked by signal.
-
用于医疗问答的LLM：探索新的推理提示和知识图谱接地
研究人员正在探索改进大型语言模型（LLM）在开放式医疗问答方面的能力。一种方法是使用一种名为CLINICR的思维链（CoT）推理提示，旨在模仿临床推理，并在MEDQA-OPEN等修改后的数据集上表现优于现有的5-shot CoT提示。另一项研究调查了知识图谱（KG）接地的有效性，发现它仅在所需信息超出模型训练数据范围时，特别是对于新颖或私有知识，才能显著提高LLM的准确性，而对已知事实的益处很小。
-
新的时间知识图谱增强了LLM的临床推理能力
研究人员开发了ChronoMedKG，一个包含对临床推理至关重要的时间信息的新型生物医学知识图谱。与现有的静态知识图谱不同，ChronoMedKG将疾病关联链接到特定的时间组成部分，如发病窗口或进展阶段，其数据来源于超过460,000个证据链接的三元组。这种时间接地显著帮助LLM回答复杂的临床问题，挽救了它们在时间推理任务上的大量失败案例。
-
新基准测试大模型在心理健康知识和推理能力
研究人员开发了MHGraphBench，一个旨在评估大模型对心理健康相关知识理解和应用能力的新基准。该基准使用源自PrimeKG的知识图谱，并包含实体识别、关系判断和推理等任务。初步实验表明，尽管领先的模型在基本实体识别方面表现良好，但在更复杂的关系预测和推理任务上仍有困难，这表明在知识的识别和应用之间存在差距。
-
量子知识图谱通过依赖上下文的有效性改进LLM推理
研究人员引入了一种“量子知识图谱”（QKG），以解决标准知识图谱在与大型语言模型（LLM）结合使用时存在的局限性。与假设关系全局有效性的传统图谱不同，QKG将三元组的有效性建模为依赖于上下文的。这种方法在一个以糖尿病为重点的子图（包含超过68,000个上下文敏感关系）的医学问答流程中进行了测试。QKG在准确性方面表现出显著的提高，尤其是在考虑患者特定上下文时。