摘要
针对大型语言模型在问答任务中存在的幻觉及知识缺失问题，本文利用不确定知识图（UKG）增强推理能力。现有方法难以过滤知识图中的噪声，反而可能加剧幻觉。为此，作者提出 Debate-on-Graph（DoG）框架，实现 LLM 与 UKG 的自适应协作。该框架首先设计启发式搜索算法提取可靠子图以降低噪声，随后引入多智能体辩论机制，通过自适应对抗辩论生成可靠答案。实验表明，DoG 在多个基准数据集上优于现有方法，实现了可靠且自适应的推理。
AI 推荐理由
论文核心提出基于不确定知识图的辩论框架，旨在解决幻觉问题并提升推理可靠性。
研究机构
东南大学计算机科学与工程学院，南京，中国
东南大学新一代人工智能技术与交叉应用重点实验室，中国教育部
论文信息