論文の概要: KG-CRAFT: Knowledge Graph-based Contrastive Reasoning with LLMs for Enhancing Automated Fact-checking

• arxiv url: http://arxiv.org/abs/2601.19447v1
• Date: Tue, 27 Jan 2026 10:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.284032
• Title: KG-CRAFT: Knowledge Graph-based Contrastive Reasoning with LLMs for Enhancing Automated Fact-checking
• Title（参考訳）: KG-CRAFT: ファクトチェック自動化のためのLLMを用いた知識グラフに基づくコントラスト推論
• Authors: Vítor N. Lourenço, Aline Paes, Tillman Weyde, Audrey Depeige, Mohnish Dubey,
• Abstract要約: KG-CRAFTは,大規模言語モデル(LLM)を活用することにより,自動クレーム検証を改善する方法である まず、クレームと関連するレポートから知識グラフを構築し、その後、知識グラフ構造に基づいて文脈的に関連するコントラスト的な質問を定式化する。 2つの実世界のデータセットに対する広範囲な評価は,本手法が予測性能の新たな最先端を実現することを示す。
• 参考スコア（独自算出の注目度）: 3.7841869476488044
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Claim verification is a core component of automated fact-checking systems, aimed at determining the truthfulness of a statement by assessing it against reliable evidence sources such as documents or knowledge bases. This work presents KG-CRAFT, a method that improves automatic claim verification by leveraging large language models (LLMs) augmented with contrastive questions grounded in a knowledge graph. KG-CRAFT first constructs a knowledge graph from claims and associated reports, then formulates contextually relevant contrastive questions based on the knowledge graph structure. These questions guide the distillation of evidence-based reports, which are synthesised into a concise summary that is used for veracity assessment by LLMs. Extensive evaluations on two real-world datasets (LIAR-RAW and RAWFC) demonstrate that our method achieves a new state-of-the-art in predictive performance. Comprehensive analyses validate in detail the effectiveness of our knowledge graph-based contrastive reasoning approach in improving LLMs' fact-checking capabilities.
• Abstract（参考訳）: クレーム検証は、文書や知識ベースなどの信頼できる証拠ソースに対して評価することで、声明の真偽を決定することを目的とした、自動化されたファクトチェックシステムの中核的な構成要素である。 KG-CRAFTは,知識グラフをベースとした対照的な質問を付加した大規模言語モデル(LLM)を活用することにより,自動クレーム検証を改善する手法である。 KG-CRAFTは、まずクレームと関連するレポートから知識グラフを構築し、その後、知識グラフ構造に基づいて文脈的に関連するコントラスト的な質問を定式化する。 これらの質問は、LCMによる正確性評価に使用される簡潔な要約に合成されたエビデンスベースのレポートの蒸留を導く。 実世界の2つのデータセット(LIAR-RAWとRAWFC)の大規模評価により,本手法が予測性能の新たな最先端を実現することを示す。 包括的分析は,LLMのファクトチェック能力向上における知識グラフに基づくコントラスト推論手法の有効性を詳細に検証する。

関連論文リスト

• Hybrid Fact-Checking that Integrates Knowledge Graphs, Large Language Models, and Search-Based Retrieval Agents Improves Interpretable Claim Verification [2.7268409633809902]
  大きな言語モデル(LLM)は、流速な発話を生成するのに優れるが、検証された情報の信頼性に欠ける。 本システムは3つの自律的なステップから構成される: 1) 知識グラフ (KG) を高速に検索する - (DBpedia) ホップ検索、2) タスク固有のラベル付けプロンプトで案内されるLMベースの分類、3) KGのカバレッジが不十分な場合にのみ起動されるWeb検索エージェント。
  論文  参考訳（メタデータ） (2025-11-05T06:10:05Z)
• Veri-R1: Toward Precise and Faithful Claim Verification via Online Reinforcement Learning [53.05161493434908]
  大規模言語モデル(LLM)によるクレーム検証は、その強力な推論能力と透過的な検証プロセスのため、近年注目を集めている。 我々は、LLMが検索エンジンと対話し、その計画、検索、推論行動を明確に形作る報酬信号を受け取ることができるオンライン強化学習フレームワークであるVeri-R1を紹介した。 実験の結果、Veri-R1は最大30%の精度で関節の精度を向上し、エビデンススコアを2倍にし、より大きなモデルを上回ることが示されている。
  論文  参考訳（メタデータ） (2025-10-02T11:49:48Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• Harnessing Large Language Models for Knowledge Graph Question Answering via Adaptive Multi-Aspect Retrieval-Augmentation [81.18701211912779]
  本稿では,KG(Amar)フレームワーク上での適応型マルチアスペクト検索手法を提案する。 この方法は、エンティティ、リレーション、サブグラフを含む知識を検索し、検索した各テキストを即時埋め込みに変換する。 提案手法は2つの共通データセットに対して最先端の性能を達成した。
  論文  参考訳（メタデータ） (2024-12-24T16:38:04Z)
• KaLM: Knowledge-aligned Autoregressive Language Modeling via Dual-view Knowledge Graph Contrastive Learning [74.21524111840652]
  本稿では、textitKnowledge-aligned Language Modeling アプローチである textbfKaLM を提案する。 明示的な知識アライメントと暗黙的な知識アライメントという共同目的を通じて、KG知識と整合するように、自己回帰的な大規模言語モデルを微調整する。 特に,本手法は知識駆動型タスクの評価において顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-12-06T11:08:24Z)
• KGValidator: A Framework for Automatic Validation of Knowledge Graph Construction [2.9526207670430384]
  生成モデルを用いて知識グラフを検証する場合に,一貫性と検証のためのフレームワークを導入する。 この設計は適応と拡張が容易で、どんなグラフ構造化データでも検証することができる。
  論文  参考訳（メタデータ） (2024-04-24T15:27:25Z)
• Evidence-Focused Fact Summarization for Knowledge-Augmented Zero-Shot Question Answering [14.389264346634507]
  本稿では,QA(Quesetion Answering)の性能向上を目的とした,エビデンスに着目したFact SummarizationフレームワークであるEFSumを提案する。 実験の結果,EFSumはLDMのゼロショットQA性能を向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-05T13:43:58Z)
• Mitigating Large Language Model Hallucinations via Autonomous Knowledge Graph-based Retrofitting [51.7049140329611]
  本稿では,知識グラフに基づくリトロフィッティング(KGR)を提案する。 実験により,実QAベンチマークにおいて,KGRはLLMの性能を大幅に向上できることが示された。
  論文  参考訳（メタデータ） (2023-11-22T11:08:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。