文章主要内容和创新点主要内容本文提出了一个名为TRAIL的统一框架，旨在通过大型语言模型（LLMs）实现知识图谱（KGs）的联合推理与动态优化。该框架解决了现有LLMs依赖静态参数记忆导致的幻觉、知识过时和可解释性不足等问题，以及现有KG增强LLM方法中推理与知识更新分离的局限性。TRAIL的核心是将推理过程与知识图谱的增量学习紧密结合：LLM代理在推理中可动态遍历、扩展和优化知识图谱，通过置信度驱动机制生成、验证和修剪新事实，无需重新训练即可实现持续适应。实验表明，在多个医疗问答基准（如MedQA、MMLU-Pro_Health等）上，TRAIL优于现有KG增强和检索增强LLM方法3%-13%，尤其在多跳推理任务中表现突出。创新点统一框架设计：首次将“思考、推理、增量学习”集成，使LLMs能在推理过程中动态优化知识图谱，实现联合推理与KG动态更新。置信度驱动机制：通过独立的评估LLM对新生成的事实（三元组）进行置信度评分，仅保留高置信度知识，确保KG的可靠性和鲁棒性。模块化即插即用架构：可无缝集成多种LLMs和下游任务，支持持续适应和知识迁移，无需额外训练。实验验证优势：在多个医疗领域基准上证明了其在准确性和可解释性上的优越性，推动了自适应、记忆增强语言模型的发展。翻译部分 TRAIL: Joint Inference and Refinement of Knowledge Graphs with Large Language Models
文章主要内容和创新点主要内容本文提出了一个名为TRAIL的统一框架，旨在通过大型语言模型（LLMs）实现知识图谱（KGs）的联合推理与动态优化。该框架解决了现有LLMs依赖静态参数记忆导致的幻觉、知识过时和可解释性不足等问题，以及现有KG增强LLM方法中推理与知识更新分离的局限性。TRAIL的核心是将推理过程与知识图谱的增量学习紧密结合：LLM代理在推理中可动态遍历、扩展和优化知识图谱，通过置信度驱动机制生成、验证和修剪新事实，无需重新训练即可实现持续适应。实验表明，在多个医疗问答基准（如MedQA、MMLU-Pro_Health等）上，TRAIL优于现有KG增强和检索增强LLM方法3%-13%，尤其在多跳推理任务中表现突出。创新点统一框架设计：首次将“思考、推理、增量学习”集成，使LLMs能在推理过程中动态优化知识图谱，实现联合推理与KG动态更新。置信度驱动机制：通过独立的评估LLM对新生成的事实（三元组）进行置信度评分，仅保留高置信度知识，确保KG的可靠性和鲁棒性。模块化即插即用架构：可无缝集成多种LLMs和下游任务，支持持续适应和知识迁移，无需额外训练。实验验证优势：在多个医疗领域基准上证明了其在准确性和可解释性上的优越性，推动了自适应、记忆增强语言模型的发展。翻译部分 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
