HyGRAIL: экономичная и основанная на доказательствах генерация научных гипотез на графах знаний
HyGRAIL: Cost-Aware and Evidence-Grounded Scientific Hypothesis Discovery over Knowledge Graphs
2026-09-02
SCID: 54.1/qg76atuh
Discuss with AI
верификация на основе доказательствгетерогенные графовые нейронные сетиграфы знанийпроверка большими языковыми моделямиобнаружение научных гипотез
Figures from the paper
Abstract (AI)
Научные графы знаний организуют сущности и отношения, извлечённые из научной литературы, однако по своей природе остаются неполными. Поэтому отсутствующие типизированные связи в таких графах могут представлять правдоподобные научные гипотезы, например ещё не исследованные взаимосвязи между материалами и областями применения. Однако поиск научных гипотез затруднён тем, что среди типизированных пар-кандидатов истинные открытия встречаются крайне редко: графовые нейронные сети (GNN) эффективны, но ненадёжны в неоднозначных случаях, тогда как большие языковые модели (LLM) обладают обширными знаниями, но слишком дороги для исчерпывающего применения и не имеют естественной опоры на структуру графа. Мы предлагаем HyGRAIL — экономичную и основанную на доказательствах платформу, объединяющую триаж с помощью гетерогенной GNN и проверку гипотез на основе LLM. Сначала HyGRAIL использует GNN для оценки гипотез-кандидатов и выявления неоднозначной области, откалиброванной по результатам валидации, направляя на проверку LLM только случаи, неопределённые с точки зрения графа. Для каждой направленной на проверку гипотезы HyGRAIL извлекает из графа знаний (KG) ассоциации на уровне узлов и многозвенные реляционные пути, а затем преобразует эти структурированные доказательства в естественный язык с помощью шаблонной или основанной на LLM натурализации. Наконец, агент проверки на основе LLM оценивает каждую сложную гипотезу, используя натурализованные доказательства и выбранные по результатам валидации критерии принятия решения. На наборе MatKG HyGRAIL достигает наилучшего значения F1, равного 0.429, превосходя наиболее сильный предшествующий базовый метод на 0.242 пункта F1 и базовый метод только с GNN на 0.322. При этом триаж с помощью GNN в среднем снижает долю обращений к LLM на 54.36%. Дополнительные абляционные исследования показывают, что извлечённые доказательства из графа имеют решающее значение для надёжной проверки гипотез, а компактные двусторонние доказательства эффективнее простого увеличения объёма извлекаемой информации.
Key Findings
1
Абляционные эксперименты показывают, что извлечённые графовые доказательства необходимы для надёжной проверки, а компактные двусторонние доказательства эффективнее простого увеличения объёма извлечения.
2
HyGRAIL объединяет гетерогенную GNN-триажировку с проверкой с помощью LLM, обоснованной графовыми доказательствами, для обнаружения отсутствующих типизированных связей как научных гипотез.
3
HyGRAIL обосновывает решения LLM извлечёнными ассоциациями узлов и многозвенными путями в графе знаний, преобразованными в естественно-языковые доказательства.
4
На наборе MatKG HyGRAIL достигает лучшего значения F1 — 0,429, превосходя сильнейший предыдущий базовый метод на 0,242 пункта, а модель только с GNN — на 0,322.
5
Метод направляет на проверку LLM только кандидатов из области неоднозначности, калиброванной по валидации, снижая среднюю долю вызовов LLM на 54,36%.
Research Object
отсутствующие типизированные связи, представляющие потенциальные научные гипотезы в научных графах знаний, в частности ассоциации между материалами и применениями
Research Subject
экономически эффективная и основанная на доказательствах проверка и обнаружение гипотез, включая графовую предварительную классификацию, проверку с помощью LLM и эффективность извлечённых доказательств
Publication Details
Publication Date
2026-09-02
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest