知識圖譜

速報

預訓練語言模型讓知識圖譜實體向量更泛化：鏈結預測與跨任務遷移表現提升

知識圖譜常有缺漏,研究用文字描述學習實體向量以支援鏈結推斷與檢索。採用預訓練語言模型以鏈結預測目標學習向量表徵,並在未見實體的誘導式鏈結預測、實體分類與實體導向檢索三項任務上驗證泛化能力。結果顯示鏈結預測MRR平均提升22%,分類準確度平均增16%,檢索NDCG@10最高增8.8%。

深度分析

MedAction：以多回合主動檢驗與知識圖譜提升臨床診斷大模型

現有醫療大模型多以單回合、完整病歷評估為主，與臨床上從不完備資訊出發、反覆下單檢驗並更新診斷的流程差距甚大。MedAction 提出一套樹狀蒸餾管線，從公開病例生成多回合互動環境，讓大型模型與環境互動以合成檢驗—推理軌跡；

深度分析

驗證導向知識圖譜：以多代理與 LLM 驅動自動化 SystemVerilog Assertion 生成

研究提出一套以驗證為中心的知識圖譜（KG）與多代理流程，將規格、RTL 與形式工具回饋轉為結構化中介表示，並匯入執行時 KG 作檢索與追溯。系統用 KG 提供設計接地的上下文，驅動 SVA 生成與三種精煉迴圈──語法修復、以反例（CEX）追溯的修正、以及覆蓋率導向的屬性擴增。

深度分析

層級式自適應衰減：以 velocity 與 volatility 重塑知識圖譜時效模型

隨著知識圖譜應用增多，傳統統一衰減已不足以判斷資訊時效。研究提出以觀測頻率與變動幅度為基礎的層級自適應衰減面，分為領域、情境、實體三層學習衰減參數。實驗在合成資料、維基百科與模擬臨床紀錄上驗證，顯示不同知識類型呈現明顯壽命差異，且統一衰減甚至比不使用衰減差 18 倍。

深度分析

OntoLogX：以本體、RAG 與 LLM 將系統日誌轉換為威脅知識圖譜

系統日誌蘊含豐富威脅情報，但格式零散難以直接利用。OntoLogX結合本體、檢索增強生成與迭代校正，利用大型語言模型將原始日誌轉成本體驅動的知識圖譜，並以會話群組對應MITRE ATT&CK戰術。實驗也顯示檢索與校正能提升精準與召回，程式碼專用模型對結構化日誌特別有利。

速報

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。

深度分析

結合 LLM 與 GNN 的 GLOW 系統：開放式知識圖譜問答新突破

開放式知識圖譜問答因圖譜不完整而受限。GLOW 透過 GNN 預測候選答案，並以結構化提示驅動 LLM 推理，實現符號與語意雙向結合。實驗顯示其在新基準上提升最高 53.3%，顯示開放世界 QA 的可行新方向。

深度分析

CCCE：AI 代理驅動的持續代碼校準引擎與風險自適應門控

企業代碼庫維護難度提升，CCCE 透過雙向知識圖譜遍歷與風險自適應門控自動校準，並以多模型持續學習優化策略，最終縮短平均修復時間並提升追蹤可視性。

深度分析

圖形與代理式檢索在威脅情報 RAG 系統的系統性評估

在網路安全威脅情報分析中，研究比較向量、圖形、代理式與混合四種 RAG 架構。圖形檢索提升結構化事實查詢表現，混合模式在多跳問題上較向量提升最高 35%。結果顯示結合圖形與文字可顯著改善資訊檢索品質。

知識圖譜

缺口與重疊分析基準套件：驗證知識圖譜在保險合約任務中的就緒度

本研究針對保險合約等政策文件的缺口與重疊分析提出基準測試，提供十份合約、本體與 58 個情境的 SPARQL 查詢，並比較文字大型語言模型與本體驅動管線的表現，證實顯式本體建模提升一致性與診斷能力，為評估知識圖譜品質提供可重複使用的範本。

AI 產物管理

Gypscie：跨平台 AI 產物管理系統的統一視圖與知識圖譜

隨著 AI 模型在各領域的廣泛應用，管理其全生命週期變得愈發複雜。Gypscie 透過知識圖譜與規則查詢語言，提供跨平台的統一產物視圖，並以高階資料流排程模型生命週期活動。實驗結果顯示，該系統能有效優化與排程跨平台資料流，提升 AI 應用開發效率。

深度分析

DRBENCHER：同時測試代理人實體辨識、屬性擷取與多步驟計算的新基準

隨著研究代理人需同時瀏覽網頁與執行計算，現有基準無法全面評估其表現。DRBENCHER 透過四項標準生成跨領域問題，涵蓋實體辨識、屬性擷取與領域計算。實驗顯示最高模型正確率僅 20%，突顯此類任務的挑戰與未來改進空間。