arXiv cs.AI· Zongyuan Sun, Shuai Zhao, Yingjun Du, Ke Shu, Ziyue Zhu, Haoran Luo·· 12 小时前AI 评分34
FoG：训练 KG 智能体检索答案背后的证据
Clearing the FoG: Training KG Agents to Retrieve the Evidence Behind Their Answers
AI 导读
FoG 框架通过证据锚定的合成数据、KG 交互智能体和证据覆盖过程奖励（ECPR），训练知识图谱智能体在给出答案的同时检索支撑三元组。在三个 KGQA 基准上，3B–4B 开源智能体的答案准确率与证据覆盖率均大幅超过更大规模基线，并支持零样本跨 KG 迁移。
正文 · AI 翻译
摘要：大型语言模型（LLM）能够正确回答许多事实性问题，但正确的答案未必是有依据的答案。对于 LLM 智能体而言，知识图谱（KG）扮演两种角色：作为答案来源，它提供模型所缺乏的事实；作为证据来源，它提供使答案可追溯、可审计的支持三元组。然而，现有的 KG 智能体仅将 KG 视为答案来源：其训练数据只包含答案而不包含证据，其训练奖励只检查答案而不检查检索到的证据，因此智能体常常在未检索到支持三元组的情况下就给出正确答案。我们提出 FoG，一个训练 KG 智能体检索其答案背后证据的框架。FoG 由证据锚定的合成、KG 交互智能体和证据覆盖过程奖励（ECPR）组成：合成过程递归地将显式实体隐藏在可验证的子问题之后，使得每个问题在构造上就自带其支持三元组；智能体记录 KG 返回的三元组；ECPR 将每个支持三元组归功于首次检索到它的那一轮。在三个 KGQA 基准上的实验表明，FoG 使 3B--4B 的开源智能体在答案准确率和证据覆盖率上大幅超越规模更大的基线，并实现零样本跨 KG 迁移。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.37405 [cs.AI] |
| （或 arXiv:2610.37405v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37405 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zongyuan Sun [查看邮箱]
[v1]
2026年10月27日 星期二 15:20:37 UTC（6,551 KB）
来源：arXiv cs.AI · arxiv.org