AI 代理知識圖譜能力框架的正式化研究
本文介紹了「代理能力配置檔」(AAP)，這是一個旨在幫助 AI 代理更有效地選擇和利用知識圖譜的新語義層。它透過為能力描述和認知健全性提供正式框架，解決了當前元數據標準的局限性。
Search
Tag: #knowledge-graphs19 results
知識圖譜中的可擴展不確定性推理
本研究提出了一個模組化框架，用於處理知識圖譜中的不確定性，涵蓋不精確屬性、機率三元組及不完整架構。透過代數、邏輯與幾何方法，在保持語意精確度的同時確保計算可行性。
AutoVerifier：LLM代理自動驗證框架
AutoVerifier 是一個基於 LLM 的代理框架，能自動化技術主張的端到端驗證，將其分解為 (主詞、謂詞、客詞) 三元組並建構知識圖譜。它採用六層漸進式推理，從語料建置到最終假設矩陣生成。在量子運算主張上示範，無需領域專長即發現過度主張、不一致及利益衝突。
LLM 融合建構可追溯機場知識圖譜
提出雙階段框架，融合符號知識工程與 LLM 建構總體機場管理之機器可讀知識圖譜，解決資料孤島問題。文件級處理優於片段推理，能更好恢復非線性程序依賴。透過機率發現與確定性來源錨定確保可追溯性，從文本自動合成工作流程。
HYQNET：雙曲空間邏輯查詢回答
HYQNET 是一種神經-符號模型，使用雙曲空間回答知識圖譜上的複雜一階邏輯查詢。它將查詢分解為關係投影與模糊邏輯運算，並採用雙曲 GNN 完成圖譜以處理缺失連結。基準測試顯示其優於歐幾里德方法，有效捕捉階層結構。
MMKG-RDS：多模態知識圖譜推理資料合成
MMKG-RDS 是一個靈活框架，利用多模態知識圖譜進行高品質推理資料合成，克服現有方法在覆蓋率、驗證與可解釋性方面的限制。它具備細粒度提取、可自訂路徑採樣與多維度品質評分，使用 MMKG-RDS-Bench（5 領域、17 任務、14,950 樣本）驗證。微調 Qwen3 模型可提升推理準確率 9.2%；程式碼開源於 GitHub。
GYWI：圖譜+RAG提升LLM科學構想生成
GYWI結合共同作者知識圖譜與RAG，為LLM提供可控上下文與可追溯靈感路徑，用於科學構想生成。它具備混合檢索（RAG+GraphRAG）、強化學習提示優化，並在arXiv資料上評估GPT-4o、DeepSeek-V3等模型。結果在創新性、可行性、清晰度、相關性和重要性上表現優異。
AWS 教學：使用 Rekognition 的 AI 照片搜尋
這篇 AWS 機器學習部落格文章指導使用 AWS CDK 建置照片搜尋系統。它結合 Amazon Rekognition 進行臉部與物件偵測、Amazon Neptune 處理實體關係，以及 Amazon Bedrock 生成 AI 標題。
SynergyKGC Handles KG Heterogeneity
SynergyKGC fuses entity semantics with heterogeneous topologies via cross-modal synergy. Uses density-dependent anchoring and double-tower consistency. Improves KGC hit rates on benchmarks.