图上的辩论：大语言模型在不确定知识图谱上的可靠与自适应推理

研究者提出Debate-on-Graph（DoG）框架，结合不确定知识图谱（UKG）的置信度分数与多智能体辩论机制，通过启发式搜索提取可靠子图减少噪声，再利用自适应对抗辩论获得可靠答案。在四个基准问答数据集上，DoG达到了最先进性能，优于现有大语言模型推理方法和基于知识图谱的基线。

以往知识图谱增强大语言模型的方法无法识别图内噪声和错误，可能放大幻觉。DoG利用不确定知识图谱的置信度分数筛选信息，并通过多智能体对抗辩论实现自适应协作，显著提升了推理的可靠性和适应性。

DoG首先针对不确定知识图谱设计启发式搜索算法，提取与问题相关且置信度高的子图，从而降低噪声干扰。随后引入多智能体辩论机制，通过自适应对抗辩论，让不同智能体基于子图证据进行争论与协作，最终充分利用知识并保持证据可靠性，输出更准确的答案。

• DoG框架在不同语言或垂直领域（如医疗、金融）的问答效果如何？
• 多智能体辩论机制的计算开销如何？是否适合实时或低延迟产品场景？