热点事件持续更新
研究探索大模型知识图谱审计与置信度优化
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 3 小时前更新
最新进展11月5日 13:00
最新研究将知识图谱非自适应审计建模为覆盖问题，实验表明联合规划器可有效降低残留错误。报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- 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。
本事件热度走势
当前热度 9·可比范围峰值 10（11月5日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。