研究探索大模型知识图谱审计与置信度优化
Start here
2026年11月5日，arXiv自然语言处理领域发布关于大模型（LLM）构建知识图谱审计效果的研究。针对更好的错误预测难以有效提升审计效果的问题，该研究展开深入分析，并将非自适应审计建模为有预算的覆盖问题。在Re-DocRED跨文档图谱实验中，结果显示“错误率×出度”队列比相同动作的联合模型多残留3.98至4.74个百分点的错误；同时，联合规划器在开启共享动作后，可使图谱中的残留错误降低0.89至1.43个百分点。
AI-generated from reports · Updated 8 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 自然语言处理更优的置信度何时能提升知识图谱审计效果？
该研究针对 LLM 构建知识图谱中更好错误预测难以提升审计效果的问题展开分析，并将非自适应审计建模为有预算的覆盖问题。在 Re-DocRED 跨文档图谱实验中，“错误率×出度”队列比相同动作的联合模型多残留 3.98-4.74 个百分点的错误，联合规划器开启共享动作可使残留错误降低 0.89-1.43 个百分点。
Story heat trend
Current heat 8·Comparable peak 10（Nov 5 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.