Evolve on Graph: Self-Evolving Knowledge Graph Reasoning without Question Annotations
Pubblicata su AIChronos il · fonte del · Zongyuan Sun, Shuai Zhao, Ke Shu, Ziyue Zhu, Shangyang Wu, Yuanlin Lin
Evolve on Graph (EoG) è un framework che permette a un modello linguistico di migliorare autonomamente le proprie capacità di ragionamento su grafi senza utilizzare annotazioni domanda-risposta. Il metodo utilizza il 'Graph Self-Play', dove una singola istanza del LLM alterna ruoli tra Propositor e Risolutore, generando topologie verificabili tramite sintesi logica simbolica (SVTS). Un curriculum basato sui confini ('Boundary-Aware Graph Curriculum') assicura che le domande proposte rimangano allineate alle capacità attuali del Risolutore, facilitando l'apprendimento di strutture complesse. I risultati su benchmark come Freebase e Wikidata dimostrano che EoG supera i metodi basati su prompting o agenti tradizionali.
- Abolizione della dipendenza da dati annotati QA per il training degli agenti di ragionamento sui grafi.
- Utilizzo del 'Graph Self-Play' con ruoli dinamici Propositor e Risolutore all'interno dello stesso modello.
- Sintesi simbolica delle topologie (SVTS) garantisce la verificabilità automatica dei percorsi logici sul KG.
- Il curriculum adattivo mantiene le sfide al limite della capacità del solver per ottimizzare l'evoluzione.
- Superamento consistente di metodi basati su retrieval e agenti pre-addestrati in domini reali.
Perché conta. Questa tecnica è cruciale per gli sviluppatori che lavorano con AI locale o risorse limitate, poiché elimina la necessità costosa e laboriosa di annotazioni umane QA. Consente l'adattamento continuo dei modelli su grafi specifici (es. dati industriali) senza dipendere da dataset statici offline.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.