Conformal Path Reasoning：基于路径级校准的可信知识图谱问答
计算与语言
2026-05-11 v1
摘要
知识图谱问答（KGQA）已展现出以 grounding 和可解释推理为特征的潜力，但现有方法往往难以为检索到的答案提供可靠的覆盖保证。虽然保守预测（Conformal Prediction, CP）提供了一个原则框架以具统计保证地生成预测集合，但先前方法在校准有效性和得分可区分性方面存在关键局限，导致覆盖保证被违反且预测集合过大。为此，我们提出了 Conformal Path Reasoning（CPR），这是一个具有两大创新性的可信 KGQA 框架。首先，我们对路径级得分进行查询级保守校准，保持 exchangeability 的同时生成路径预测集合。其次，我们引入残差保守值网络（Residual Conformal Value Network, RCVNet），通过 PUCT 指导的探索训练，以学习判别性的路径级非保守得分。实验在基准数据集上表明，CPR 将经验覆盖率提高了 34%，同时将平均预测集合大小降低了 40%，远超保守基线方法。这些结果验证了 CPR 在满足覆盖保证且显著缩小答案集合方面的有效性。
引用
@article{arxiv.2605.08077,
title = {Conformal Path Reasoning: Trustworthy Knowledge Graph Question Answering via Path-Level Calibration},
author = {Shuhang Lin and Chuhao Zhou and Xiao Lin and Zihan Dong and Kuan Lu and Zhencan Peng and Jie Yin and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2605.08077},
year = {2026}
}
备注
13 pages, 3 figures, 2 tables;