基于表型驱动和证据管控的知识图谱丰富化与假设发现框架
人工智能
2026-04-21 v1
摘要
当前的知识图谱（KG）构建方法是确认式的，侧重于恢复已知关系，而非识别新颖或情境依赖的节点。本文提出一种表型驱动和证据管控的框架，转变范式为结构化假设发现和受控KG扩展。该方法将图神经网络（GNN）用于表型发现、因果推断、概率推理和大型语言模型（LLM）用于假设生成和论断提取，形成统一的管道。该框架优先考虑既在数据中结构上得到支持又在文献中探讨不足的关系。KG扩展被形式化为一个多目标优化问题，候选论断在相关性、结构验证和新颖性方面被联合评估。Pareto最优选择使我们能够识别在确认与发现之间取得平衡的非支配论断，避免平凡或冗余的知识包含。在异构人口数据集上的实验表明，所提出的框架产生更具可解释性的表型，揭示情境依赖的因果结构，并生成与数据和科学证据一致的高质量论断。与基于规则和仅用LLM的基线方法相比，该方法在可信度、新颖性、验证和相关性方面实现最佳权衡。在检索增强设置中，它显著提高了性能（Recall@5=0.98），同时降低了幻觉率（0.05），凸显了在将LLM输出 grounding的有效性。
引用
@article{arxiv.2604.16982,
title = {A phenotype-driven and evidence-governed framework for knowledge graph enrichment and hypotheses discovery in population data},
author = {Adela Bâra and Simona-Vasilica Oprea},
journal= {arXiv preprint arXiv:2604.16982},
year = {2026}
}