PULSE 讓知識圖譜契約可執行
PULSE 是一種用於建構時空知識圖譜的具型別可執行語言，將狀態、證據、約束、流程與假設分支整合到單一執行期契約中。評估結果顯示其通過形式安全性檢查、在不同工作流程間達成軌跡一致性，並在超過 147 萬個轉換區域配對上與 GEOS 結果一致，但研究也指出其易用性與語言優越性尚未獲得證明。
Search
Tag: #knowledge-graphs19 results
NeSyFS 為 LLM Agent 引入快慢推理
NeSyFS 是一套為部分可觀測環境設計的神經符號框架，協助 LLM Agent 進行決策。它結合知識圖譜信念狀態、反應式快速思考、不確定性感知的慢速規劃，以及基於反思的模組切換，並在 ALFWorld、WebShop 和 ScienceWorld 上優於先前方法。
更智慧的知識圖譜擷取，避免錯誤合併
這項研究提出一套生產級擷取層，透過本體論導向提示、確定性去重，以及基於嵌入的實體解析，從異質文件建立經驗證的知識圖譜。在情報語料上測試時，搜尋召回率由約 70% 提升至 95%，且沒有發生錯誤合併。
Grokers：針對類型化知識圖譜的歸納式智慧架構
Grokers 引入了一種針對知識圖譜的由下而上架構，將智慧運算從查詢時轉移至寫入時。透過歸納式組合結構化屬性，它能為未來的互動實現零成本的語言模型查詢。
ANNEAL：針對持續性 LLM Agent 錯誤的受控符號修復技術
ANNEAL 是一種神經符號代理（Neuro-symbolic agent），透過對流程知識圖譜進行受控的符號編輯來修復重複發生的執行錯誤。與標準的微調或提示工程不同，它透過驗證、防護欄和確定性回滾機制確保結構的可靠性。
TRACE-KG：從複雜文件建構無預定義知識圖譜
TRACE-KG 是一個多模態框架，從複雜文件建構上下文豐富的知識圖譜與誘導架構，而無需預定義本體。它透過結構化限定詞捕捉條件關係，並確保完全可追溯至來源證據。實驗證實其產生結構連貫、可追溯的圖譜，優於傳統管道。
LLM-WikiRace 揭示 LLM 規劃限制
LLM-WikiRace 是一個新基準，用於評估大型語言模型透過維基百科超連結從來源頁面導航至目標頁面的長期規劃與推理能力。先進模型如 Gemini-3、GPT-5 和 Claude Opus 4.5 在簡單層級表現出色，但在困難層級成功率僅 23%。分析顯示，知識僅是必要條件，超過門檻後規劃能力主導，且頂尖模型在錯誤後難以重新規劃。
TRACE 讓公共服務 RAG 更值得信賴
TRACE 是一套以檢索為基礎、具備約束感知能力的對話框架，旨在改善從嘈雜公共服務目錄中產生的推薦結果。實驗顯示，更強的檢索能力可提升使用者約束的滿足度、減少幻覺式推薦，並降低結果對 LLM 規模的依賴。
自然語言轉 SHACL 翻譯基準測試
NL2SHACL-Bench 提供專門基準，用於評估 LLM 將自然語言需求轉換為 SHACL shapes 的能力。對四個最先進 LLM 的測試顯示，它們擅長產生語法有效的 SHACL，但在複雜約束的語義等價性方面仍有明顯困難。
基於 Rational Closure 的 Defeasible DL-Lite 可處理推理研究
本研究介紹了一種插件架構，使 DL-Lite 系列在 Rational Closure 下能夠進行高效的推理和聯合查詢回答。透過利用現有的經典推理器，該方法最大限度地減少了非單調知識表示的計算開銷。