表型驅動的知識圖譜發現：結合圖神經網路、因果推論與大型語言模型
知識圖譜常只還原既有關係。本研究以表型驅動流程結合圖神經網路、因果與機率推理，以及大型語言模型生成假設並抽取主張，以多目標優化與Pareto挑選平衡驗證與新穎性。實驗在檢索增強下達成Recall@5=0.98並降低幻覺率，並能揭示情境化因果結構，提升可解釋性與科學檢驗價值。
表型驅動的知識圖譜擴展
現有知識圖譜建構多為確認性工作，偏重還原既有連結而非發掘情境依賴或新穎節點。論文提出以表型驅動、證據治理為核心的統一管線，改變既有範式，從假設發現到受控擴充皆受證據約束。
方法面整合圖神經網路進行表型發現，並以因果推論與機率推理驗證結構性支持；大型語言模型負責生成假設與抽取主張，候選主張以多目標優化同時評估相關性、結構驗證與新穎性。透過Pareto最適挑選非劣解，避免納入瑣碎或冗贅的知識。
實驗在異質族群資料上顯示，該框架能產出更可解釋的表型、揭示情境化的因果結構；在檢索增強設定下，系統Recall@5達到0.98且幻覺率降至0.05，相較於規則式或僅用LLM的基線，在可驗證性與新穎性間取得更佳平衡。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
