面向 KGQA 确定性推理的表征缺陷诊断与修正

基于摘要分析。该研究针对知识图谱问答（KGQA）中 LLM 对语义相关知识图谱边选择不确定、进而产生错误答案的问题，提出 DR2，通过诊断表征缺陷并结合基于溯因推理的偏好学习，改善细粒度语义区分能力。 核心机制：作者将“非确定性推理”描述为模型针对同一查询犹疑地激活多条语义相关边，而非单纯指生成过程的随机性。DR2 首先识别并定位此类推理行为，分析其背后的语义表征缺陷，再依据诊断结果进行偏好学习。摘要未说明诊断信号、定位粒度、偏好样本构造、损失函数及训练与推理流程，这些实现细节尚未验证。 结果与证据：作者报告，DR2 在 WebQSP 和 CWQ 基准上显著优于若干强基线，并达到当时最优表现。摘要未提供具体指标、分数、数据划分、基线名称或显著性检验信息，因此不能据此量化提升幅度或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。 适用范围：原研究对象是基于知识图谱的语言推理，不是 EEG 解码或 BCI。现有摘要不足以建立其图边语义诊断、偏好监督与神经信号表征之间的具体对应关系，因此不将其性能结论延伸为 BCI 有效性证据；相关 EEG 工作尚未检索确认。复现前宜核对诊断结果如何形成可训练的偏好信号，以及性能提升能否归因于对语义相近关系的更准确区分。