Очистка КГ: обучение агентов KG тому, как искать доказательства за своими ответами

Компьютерные науки > Искусственный интеллект [представлен 27 октября 2026 года] Заголовок: "Открытие FoG: обучение агентов KG для поиска доказательств за их ответами на HTML (экспериментальный) резюме: крупные языковые модели (LMS) могут правильно ответить на многие фактические вопросы, но правильный ответ не обязательно является подкрепленным. Для агента LLM график знаний (KG) играет две роли: как источник ответов, он дает факты, которых не хватает в модели; как источник доказательств он поставляет поддерживающие тройни, которые делают ответ отследимым и проверяемым. Однако существующие агенты KG рассматривают KG только как источник ответов: их данные об обучении содержат ответы, но не доказательства, и их награда за обучение проверяет ответ, а не полученные улики, так что исполнители часто отвечают правильно без поиска поддерживающих тройных. Мы предлагаем FoG, систему, которая тренирует агентов KG получать улики за их ответами. ФОГ состоит из синтеза, основанного на доказательствах, агента взаимодействия KG и вознаграждения за процесс сбора доказательств (ECPR): в этом обобщении вновь скрываются явные субъекты под проверяемыми субвопросами, так что каждый вопрос несет свои вспомогательные тройни по строительству; агент регистрирует три раза возвращаемые KG; и ЭКПР кредитует каждую из них, подкрепляя тройной поворот, который он получает. Эксперименты по трем контрольным показателям KGQA показывают, что FoG позволяет агентам с открытыми исходными кодами 3B-4В превзойти…