論文の概要: Detecting Knowledge Inconsistencies Across Text, Tables, and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2607.25959v2
• Date: Wed, 29 Jul 2026 10:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 14:21:10.742026
• Title: Detecting Knowledge Inconsistencies Across Text, Tables, and Knowledge Graphs
• Title（参考訳）: テキスト, 表, 知識グラフ間の知識不整合の検出
• Authors: Fanfu Wei, Thibault Ehrhart, Raphaël Troncy,
• Abstract要約: 本稿では,情報粒度の相違,直接的な対立,時間的変化,KGの不完全性など,異種間知識の不整合の分類について紹介する。 次に、Text-to-SPARQLとLLM推論を用いた自動フレームワークであるKontrastを紹介し、テーブルベースの回答とKGエビデンスを比較し、結果の矛盾を分類する。 分析の結果,テキスト,表,KGは,系統的な比較によって相互に補完し,相互に補正できることが判明した。Kontrastは大規模知識監査のための実用的なツールであり,モーダル知識の整合性に関する将来の研究のためのベンチマークを確立する。
• 参考スコア（独自算出の注目度）: 0.6441446181237986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wikipedia and Wikidata are widely used for information access, LLM pre-training, and retrieval-augmented generation. Their knowledge is deeply connected but scattered across text, tables, and knowledge graphs. This raises a practical question: when these modalities disagree, how can we detect and explain the conflict? We study this problem as modality-level inconsistency detection. We first introduce a taxonomy of cross-modal knowledge inconsistencies, covering information granularity differences, direct conflicts, temporal changes, and KG incompleteness. We then present Kontrast, an automatic framework that uses Text-to-SPARQL and LLM reasoning to compare table-based answers with KG evidence and categorize the resulting inconsistencies. Experiments on various Table-QA datasets show that cross-modal inconsistencies are common and informative. They reveal not only true knowledge conflicts, but also missing KG structure and temporal mismatches while being limited by Text-to-SPARQL errors and noise. Our analysis shows that text, tables, and KGs can complement and correct one another through systematic comparison. Kontrast provides a practical tool for large-scale knowledge auditing and establishes a benchmark for future work on cross-modal knowledge consistency. Code and data are available at https://github.com/ECLADATTA/KONTRAST.
• Abstract（参考訳）: WikipediaとWikidataは情報アクセス、LLM事前学習、検索強化世代に広く使われている。 彼らの知識は深く結びついているが、テキスト、テーブル、知識グラフに分散している。 これらのモダリティが一致しない場合、どのように紛争を検出して説明できるのか? この問題をモダリティレベルの不整合検出として検討する。 まず、情報粒度の相違、直接的な対立、時間的変化、KGの不完全性などを含む、異種間知識の不整合の分類を導入する。 次に、Text-to-SPARQLとLLM推論を用いた自動フレームワークであるKontrastを紹介し、テーブルベースの回答とKGエビデンスを比較し、結果の矛盾を分類する。 様々なTable-QAデータセットの実験では、クロスモーダルな不整合が一般的で情報的であることが示されている。 真の知識競合だけでなく、Text-to-SPARQLエラーとノイズによって制限されたまま、KG構造と時間的ミスマッチも欠落している。 分析の結果,テキスト,テーブル,KGが相互に補完し,系統的な比較によって補正できることが示唆された。 Kontrastは大規模知識監査のための実用的なツールを提供し、クロスモーダル知識の整合性に関する将来の研究のためのベンチマークを確立する。 コードとデータはhttps://github.com/ECLADATTA/KONTRASTで公開されている。

関連論文リスト

• That's Deprecated! Understanding, Detecting, and Steering Knowledge Conflicts in Language Models for Code Generation [55.78914774437411]
  大規模言語モデル(LLM)は、パラメトリック知識とプロンプトに含まれる矛盾する情報との相違に直面して振る舞う。 このような対立を構築・解釈するためのドメインに依存しないフレームワークを提案する。 本研究では, アクティベーションレベルのステアリングが, ランダムベースライン上でのステアリング成功率を最大12.6%向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-10-21T22:27:56Z)
• Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval [0.0]
  現代の企業は、Jira、Gitリポジトリ、Confluence、wikiなどの異種システムに分散した膨大な知識を管理している。 本稿では,知識ベース言語拡張モデル(KBLam),DeepGraph表現,埋め込み型セマンティック検索を統合したモジュール型ハイブリッド検索フレームワークを提案する。 このフレームワークは、コード、プルリクエスト、コミット履歴を含む解析済みのリポジトリから統一された知識グラフを構築する。 大規模なGitリポジトリの実験では、統一推論層は、スタンドアロンのGPTベースの検索パイプラインと比較して、回答の妥当性を最大80%改善している。
  論文  参考訳（メタデータ） (2025-10-13T02:56:36Z)
• 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)
• Disjointness Violations in Wikidata [0.0]
  ウィキデータにおける解離の現在のモデル化について分析する。 我々は、SPARQLクエリを使用して、不一致違反の原因となる各犯人を特定し、矛盾する情報を特定し、修正するための公式をレイアウトする。
  論文  参考訳（メタデータ） (2024-10-17T16:07:51Z)
• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• Studying Large Language Model Behaviors Under Context-Memory Conflicts With Real Documents [54.953320616069654]
  Retrieval-augmented Generationは、完全なパラメトリック言語モデルの多くの問題を緩和する。 RAGでは、コンテキストで提供される文書からモデルの知識を更新することができる。 本稿では,そのような知識紛争を現実的に研究するための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-24T17:59:36Z)
• Robust and Scalable Model Editing for Large Language Models [75.95623066605259]
  LLM編集のスケーラビリティと堅牢性を向上させるため,EREN(Reading Notesによる編集モデル)を提案する。 既存の技術とは異なり、複数の編集から知識を統合することができ、構文的に類似しているが意味的に無関係な入力に正しく反応する。
  論文  参考訳（メタデータ） (2024-03-26T06:57:23Z)
• Text-To-KG Alignment: Comparing Current Methods on Classification Tasks [2.191505742658975]
  知識グラフ(KG)は、事実情報の密集した構造化された表現を提供する。 最近の研究は、追加のコンテキストとしてKGから情報を取得するパイプラインモデルの作成に重点を置いている。 現在のメソッドが、アライメントされたサブグラフがクエリに完全に関連しているシナリオとどのように比較されているかは分かっていない。
  論文  参考訳（メタデータ） (2023-06-05T13:45:45Z)

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。