R2-KG：面向可靠推理的通用双代理框架
计算与语言
2025-11-11 v7 人工智能
摘要
最近的研究将大型语言模型（LLM）与知识图谱（KG）结合以增强推理，提高推理准确率且无需额外训练，同时缓解幻觉问题。然而，现有框架仍有两个实际缺点：需在 KG 或推理任务改变时重新调参，以及依赖单一的高容量 LLM 才能进行可靠（即可信）推理。为此，我们引入 R2-KG，一个即插即用型双代理框架，将推理分为两个角色：操作员（低容量 LLM）收集证据，监督者（高容量 LLM）作出最终判断。此设计在保持强推理准确度的同时，降低了 LLM 推理成本。此外，R2-KG 采用自拒机制，仅在从 KG 收集到足够证据后才生成答案，显著提升可靠性。实验在五个多样化基准上的结果表明，R2-KG 在准确率和可靠性方面均优于基线，且不受所选 LLM 能力强弱的影响。进一步实验显示，单代理人版 R2-KG 配合严格的自我一致性策略，在复杂 KG 中以较低的推理成本实现显著高于基线的可靠性，但中止率显著增加。我们的发现表明，R2-KG 是一种灵活且高性价比的 KG 推理解决方案，减少对高容量 LLM 的依赖，同时确保可信推理。代码已公开于 https://github.com/ekrxjwh2009/R2-KG/。
引用
@article{arxiv.2502.12767,
title = {R2-KG: General-Purpose Dual-Agent Framework for Reliable Reasoning on Knowledge Graphs},
author = {Sumin Jo and Junseong Choi and Jiho Kim and Edward Choi},
journal= {arXiv preprint arXiv:2502.12767},
year = {2025}
}
备注
Accepted to IJCNLP-AACL 2025 Findings