NOTAM-Evolve：基于 LLM 的知识引导自演化优化框架用于 NOTAM 解释
计算与语言
2025-11-12 v1 人工智能
摘要
准确解释飞行员公告（NOTAM）对航空安全至关重要，但其简洁而晦涩的语言对人工和自动处理都构成了重大挑战。现有自动系统通常仅限于浅层解析，无法提取用于运营决策的可操作情报。我们将完整的解释任务形式化为深层解析，这是一项双重推理挑战，要求动态知识 grounding（将 NOTAM 链接到不断演变的现实航空数据）和基于模式的推理（应用静态领域规则以推导运营状态）。为此，我们提出 NOTAM-Evolve，一个使大语言模型（LLM）自主掌握复杂 NOTAM 解释的自演化框架。该框架利用增强了知识图谱的检索模块进行数据 grounding，引入闭环学习过程，使 LLM 可从自身输出中逐步改进，最大程度地减少对大量人工标注推理痕迹的需求。我们还随框架引入了由 10,000 条专家标注的新型基准数据集。我们的实验表明，NOTAM-Evolve 相较于基线 LLM 实现了 30.4% 的绝对精度提升，树立了结构化 NOTAM 解释任务的新纪录。
引用
@article{arxiv.2511.07982,
title = {NOTAM-Evolve: A Knowledge-Guided Self-Evolving Optimization Framework with LLMs for NOTAM Interpretation},
author = {Maoqi Liu and Quan Fang and Yuhao Wu and Can Zhao and Yang Yang and Kaiquan Cai},
journal= {arXiv preprint arXiv:2511.07982},
year = {2025}
}
备注
Accepted to AAAI 2026