arXiv cs.CL· Xingyu Tan, Xiaoyang Wang, Qing Liu, Xiwei Xu, Xin Yuan, Liming Zhu, Wenjie Zhang·· 10 小时前AI 评分34
Ctrl-G：在知识图谱增强的 LLM 推理中控制结构与交互暴露
Ctrl-G: Controlling Structural and Interaction Exposure in Knowledge Graph Augmented LLM Reasoning
AI 导读
Ctrl-G 是首个同时控制结构暴露与交互暴露的 KG-RAG 框架，在六个基准中的五个上取得最高准确率，最多超过最强基线 13.8 分。它通过本地构建查询条件化的净化视图并剪枝，限制传给远程 LLM 的图证据；再用分层控制器结合远程规划与本地连通路径探索，并用本地经验记忆复用已验证推理轨迹、门控远程调用以减少重复披露。
正文 · AI 翻译
摘要：知识图谱（KGs）为基于大语言模型（LLMs）的 Web 问答提供结构化证据，但将检索到的证据发送给远程 LLM 可能泄露敏感的图谱信息。现有的隐私处理使用实体匿名化和以关系为中心的抽象来保留推理线索，但传输的拓扑结构仍然可见，且披露会随着重复调用而累积。独特的拓扑结构可支持对被掩蔽实体的重新识别（结构暴露），而连续调用会将额外的路径和探索轨迹累积成对 KG 更广泛的视图（交互暴露）。仅仅发送更少的证据是不够的，因为受限的、逐步的视图可能遗漏多跳推理所需的桥接路径。为解决这一问题，我们提出 Ctrl-G，据我们所知，这是首个在支持准确多跳推理的同时，联合控制对远程 LLM 的结构暴露和交互暴露的 KG-RAG 框架。为控制结构暴露，Ctrl-G 通过结构聚合和剪枝在本地构建以查询为条件的净化视图，限制传输给远程 LLM 的图证据。分层控制器将远程规划与跨主题实体的本地连通路径探索相结合，利用问题指标和检索到的经验来剪枝候选，同时基于原始 KG 对保留的证据进行接地和验证。为控制交互暴露，本地经验记忆复用抽象的、经过验证的推理轨迹来指导探索模式和深度，并对远程 LLM 调用进行门控，从而减少跨问题的重复披露。在六个基准中的五个上，Ctrl-G 在比较方法中取得了最高准确率，在各模型配置下比最强基线高出最多 13.8 分。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2601.08739 [cs.CL] |
| （或 arXiv:2601.08739v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.08739 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xingyu Tan [查看邮箱]
[v1]
2026年1月13日星期二 17:14:23 UTC（1,434 KB）
[v2]
2026年10月30日星期五 09:58:07 UTC（2,383 KB）
来源：arXiv cs.CL · arxiv.org