这项研究由欧姆龙株式会社（OMRON Corporation）与欧姆龙SINIC X公司（OMRON SINIC X Corporation）联合开展，，，，
，，论文以预印本形式揭晓于2026年6月30日，，，，
，，论文编号为arXiv:2607.00052v1，，，，
，，收录于盘算机科学信息检索领域（cs.IR）。。。有兴趣深入相识的读者可通过该编号在arXiv平台查阅完整原文。。。 当你用手机问语音助手"爱因斯坦在那里事情过"时，，，，
，，背后的AI不但需要熟悉"爱因斯坦"这个名字，，，，
，，还需要明确他与"普林斯顿高等研究院"之间那条无形的连线。。。这条连线，，，，
，，正是知识图谱的焦点价值所在——它不但存储伶仃的事实，，，，
，，更纪录着万事万物之间错综重大的关系网络。。。然而，，，，
，，让大型语言模子（也就是GPT、Claude这类会谈天的AI）真正"读懂"这张关系网，，，，
，，恒久以来都是一道难题。。。欧姆龙的研究团队为相识决这个难题，，，，
，，提出了一套名为AGE（Adaptive-masking for Graph Embedding，，，，
，，自顺应掩码图嵌入）的新要领，，，，
，，并在多个权威测试集上取得了显著的性能提升。。。 要明确这项研究的出发点，，，，
，，可以先想象一个场景：你是一位博学的图书治理员，，，，
，，天天需要回覆读者的问题。。。你手边有两种资料，，，，
，，一种是通俗文字书籍，，，，
，，另一种是一张画满节点和箭头的关系图，，，，
，，图上标注着"爱因斯坦→任职于→普林斯顿高等研究院"这样的毗连信息。。。文字书籍你读得很顺畅，，，，
，，但那张关系图，，，，
，，你却不太善于直接使用，，，，
，，由于它的"语言"和文字完全差别。。。 大型语言模子面临的正是这个逆境。。。这类AI天生擅优点理文字，，，，
，，由于它们从海量文本中学习而来。。。当我们把一张关系图塞给它时，，，，
，，一种常见的做法是把图"翻译"成文字，，，，
，，好比把节点和边写成"实体A与实体B保存关系C"这样的句子。。。但大宗研究批注，，，，
，，这种翻译方式会丧失大宗结构信息，，，，
，，让AI难以掌握图中隐藏的重大关系。。。 为了填补这个缺陷，，，，
，，研究者们开发出了"图检索增强天生"手艺，，，，
，，简称GraphRAG。。。这项手艺的思绪就像给图书治理员配备一个专门解读关系图的助手——先从知识图谱中找出与问题相关的子图，，，，
，，再把这个子图"翻译"成AI能明确的名堂，，，，
，，最后让AI连系这些信息往返覆问题。。。 然而，，，，
，，GraphRAG面临一个要害瓶颈：子图嵌入（graph embedding）的质量。。。所谓嵌入，，，，
，，可以明确为把图结构压缩成一串数字向量，，，，
，，就像把一张地图压缩成坐标信息。。。若是这个压缩历程做得欠好，，，，
，，关系信息就会大宗流失，，，，
，，AI拿到的只是一堆乱码，，，，
，，自然无法给出准确谜底。。。 更棘手的是，，，，
，，当语言模子被"冻结"（即参数牢靠不再更新）时，，，，
，，图嵌入爆发的数字向量与语言模子内部的文字向量处于两套完全差别的"坐标系"中，，，，
，，就像用英制单位换算的地图和用公制单位换算的地图放在一起，，，，
，，数字都对不上。。。这种"坐标系差池齐"的问题，，，，
，，是GraphRAG性能的主要瓶颈之一。。。 欧姆龙的研究团队正是瞄准这两个问题——怎样制作高质量的图嵌入，，，，
，，以及怎样让图嵌入与语言模子的"语言"更靠近——睁开了这项研究。。。 研究团队在设计AGE时，，，，
，，首先问了一个很有意思的问题：语言模子是怎么学会明确词语之间关系的？？？？？？谜底指向了一种叫做"掩码自监视学习"的训练方式。。。 这种方式的逻辑很是直觉化。。。把一句话中的某个词遮住，，，，
，，好比"今天天气__，，，，
，，适合出门"，，，，
，，然后让模子猜被遮住的词是"晴朗"照旧"卑劣"。。。为了猜对，，，，
，，模子就必需深刻明确上下文中每个词与空缺处的关系。。。经由海量这样的训练，，，，
，，模子就自然而然地学会了词语之间的关联络构。。。 既然语言模子用这种方式学习文字关系，，，，
，，那么用同样的方式训练图嵌入模子，，，，
，，不就能让两者的"坐标系"更靠近吗？？？？？？这即是AGE的焦点设计灵感。。。研究团队决议让图嵌入模子也用"遮住节点，，，，
，，然后展望被遮住的节点"的方式来学习图中节点之间的关系。。。 然而，，，，
，，把这个想法直接搬到图上，，，，
，，马上遇到了一个新问题：图和文字有一个根天性的区别。。。文字是线性的，，，，
，，每个词基本上都有一定的可展望性。。。但知识图谱是高度精炼的结构，，，，
，，内里每个节点都承载着奇异的信息，，，，
，，节点与节点之间的关系可能很是重大甚至差池称。。。 详细来说，，，，
，，知识图谱中保存一些"要害节点"，，，，
，，它们就像一棵大树的主干，，，，
，，是整个图结构的焦点支持。。。把"爱因斯坦"这个节点遮住，，，，
，，让模子从周围的"相对论"、"诺贝尔奖"、"普林斯顿"来猜，，，，
，，这个使命极其难题，，，，
，，由于这些信息可以对应的人物太多了，，，，
，，并且缺少了这个焦点节点，，，，
，，周围的节点也失去了意义。。。若是强行训练模子展望这样的要害节点，，，，
，，训练历程会很是低效，，，，
，，模子也很难从中学到有用的工具。。。 这个洞察促使研究团队提出了AGE的焦点头脑：不要随机遮住节点，，，，
，，而是要智能地识别出哪些节点是"要害节点"，，，，
，，然后专门遮住那些"辅助节点"（即可以从要害节点推断出来的节点）来举行训练。。。 明确了设计思绪之后，，，，
，，再来看AGE的详细架构就会清晰许多。。。整个系统就像一条全心设计的流水线，，，，
，，每个环节都有明确的分工。。。 流水线的第一个环节是图编码器（Graph Encoder）。。。当系统收到一个从知识图谱中检索出来的子图时，，，，
，，图编码器会先对子图中每个节点举行起源处理，，，，
，，把每个节点转换成一个数字向量，，，，
，，同时融入该节点与周围节点的毗连关系信息。。。这一步类似于给每个人贴上一个名牌，，，，
，，名牌上不但写着他的名字，，，，
，，还纪录着他与周围人的关系。。。 流水线的第二个环节是节点采样器（Node Sampler），，，，
，，这是AGE中最立异的部分。。。节点采样器的使命是看着所有节点的起源体现，，，，
，，然后判断哪些节点是"要害节点"，，，，
，，哪些是"辅助节点"。。。它通过一种叫做"多头注重力"的机制来剖析节点之间的相互关系，，，，
，，然后为每个节点打一个"主要性分数"，，，，
，，最后凭证分数抽取出一定比例的节点作为要害节点，，，，
，，剩余的节点则被标记为辅助节点。。。 节点采样器使用的训练要领来自强化学习（Reinforcement Learning），，，，
，，这是一种通过赏罚来优化行为的学习方式，，，，
，，就像训练宠物一样——做对了给奖励，，，，
，，做错了给处分。。。在AGE中，，，，
，，"做对了"意味着选出的要害节点能够资助模子更准确地展望辅助节点，，，，
，，"做错了"则意味着选出的要害节点资助不大、辅助节点难以展望。。。通过这种赏罚机制，，，，
，，节点采样器逐渐学会了识别真正主要的节点。。。 流水线的第三个环节是看法编码解码器（Concept Encoder-Decoder）。。。这个？？？？？？槲找诘愕南蛄刻逑，，，，
，，通过编码器把它们压缩成更笼统的"关系看法"，，，，
，，然后再通过解码器实验重修出辅助节点的样子。。。这个历程类似于用几个要害词概括一段话，，，，
，，然后再用这个概括去还原整段话的意思——迫使模子明确要害节点与辅助节点之间的深层关联。。。 在这里，，，，
，，研究团队引入了一种叫做JEPA（联合嵌入展望架构，，，，
，，Joint-Embedding Predictive Architecture）的训练战略。。。JEPA的妙处在于，，，，
，，它不要求模子准确还原辅助节点的每一个细节，，，，
，，而只要求模子展望辅助节点的"语义级别体现"——也就是捉住大意就够了，，，，
，，不需要字字准确。。。这就像评判一篇作文，，，，
，，不是要求你一字不差地背诵原文，，，，
，，而是看你是否明确了文章的焦点头脑。。。这种方式让模子更专注于学习节点之间的关系结构，，，，
，，而不是被外貌细节所滋扰。。。 流水线的第四个环节是目的编码器（Target Encoder）。。。目的编码器对所有节点（包括要害节点和辅助节点）举行编码，，，，
，，天生一个"标准谜底"供看法解码器参考。。。为了防止模子训练历程中走捷径（好比看法解码器直接抄目的编码器的谜底），，，，
，，研究团队使用了"阻止梯度"手艺——在盘算损失时，，，，
，，目的编码器的输出不会直接加入反向撒播，，，，
，，阻止了这种"作弊"行为。。。 在训练竣事后的现实使用阶段，，，，
，，模子会走一条差别的路径：要害节点被送入看法编码器，，，，
，，辅助节点的占位符被送入解码器，，，，
，，最终的输出效果会经由一个图结构聚合器（Graph-structure-based Aggregator）汇总成一个简单的向量，，，，
，，再通过一个投影层（Projector）转换针言言模子能接受的名堂，，，，
，，拼接到输入提醒词中，，，，
，，资助语言模子回覆问题。。。 AGE的另一个设计亮点在于它的训练目的设计。。。整个系统使用三个差别的损失函数，，，，
，，划分认真优化差别的？？？？？？，，，，
，，并且这三个？？？？？？榈牟问ゲ恢氐，，，，
，，每个损失函数只更新自己认真的那部分参数。。。 第一个是提醒调优损失（Prompt Tuning Loss），，，，
，，认真训练目的编码器、图结构聚合器和投影层，，，，
，，目的是让整个系统在下游问答使命上体现得尽可能准确。。。这是系统与语言模子对接的要害训练信号。。。 第二个是目的损失（Target Loss），，，，
，，认真训练图编码器、看法编码器和看法解码器。。。它的目的是让解码重视修出的辅助节点向量尽可能靠近目的编码器天生的标准谜底。。。这是JEPA的焦点训练机制，，，，
，，确保看法编码解码器真正学会了怎样从要害节点推断辅助节点。。。 第三个是采样损失（Sampling Loss），，，，
，，专门认真训练节点采样器。。。它的逻辑是：若是某个节点被看成辅助节点处理，，，，
，，但模子对它的展望误差很是大，，，，
，，说明这个节点现实上很难从周围节点推断，，，，
，，应该被归为要害节点。。。因此，，，，
，，展望误差越大的节点，，，，
，，采样器下次就越应该给它更高的"要害节点"概率。。。这个逻辑正是强化学习中"坏效果应该调解战略"的体现。。。 这种三路自力优化的设计带来了一个适用的利益：三个损失函数之间不需要人工调解权重比例。。。研究团队在后续实验中也验证了这一点，，，，
，，等权重（1:1:1）的设置在所有测试场景下都体现最佳，，，，
，，改变恣意一个权重都会导致性能下降。。。 为了磨练AGE的现实效果，，，，
，，研究团队在四个具有代表性的数据集上举行了系统测试。。。这四个数据集划分考察差别类型的推理能力，，，，
，，可以明确为四种差别的考题类型。。。 ExplaGraphs是一个知识推理数据集，，，，
，，考察模子是否能明确日常逻辑关系，，，，
，，好比判断"政府投资教育会增进经济生长"这类推理是否建设。。。SceneGraphs是一个视觉问答数据集，，，，
，，测试模子能否凭证场景图回覆关于图像内容的问题。。。WebQSP和ComplexWebQuestions（CWQ）则是两个大型知识库问答数据集，，，，
，，问题基于Freebase这个重大的知识图谱，，，，
，，考察模子处理大规模重大关系图的能力。。。 测试效果相当清晰。。。在使用冻结语言模子（即不微调语言模子参数）的场景下，，，，
，，配备了AGE的G-Retriever框架在所有数据集上都显著逾越了原始的G-Retriever。。。提升幅度最为惊人的是在ExplaGraphs上使用Llama3.2-1B的组合，，，，
，，准确率从原来的55.95%直接跳升至82.67%，，，，
，，提升了快要27个百分点。。。在WebQSP上提升幅度相对较小，，，，
，，Llama3.2-3B从71.3%提升至73.5%，，，，
，，研究团队剖析以为这与WebQSP的知识图谱规模极大、非参数检索器难以找全要害节点有关。。。 进一步引入LoRA参数高效微调手艺之后，，，，
，，AGE的体现更上一层楼。。。在WebQSP和CWQ上，，，，
，，AGE连系AMAR框架（一种使用跨问题增强检索的要领）甚至逾越了使用GPT-4作为检索器的商业级要领ReKnoS（在WebQSP上86.5% vs. 84.9%，，，，
，，在CWQ上85.2% vs. 68.2%）。。。这意味着用开源的Llama2-7B配合非参数检索器，，，，
，，在合适的嵌入要领加持下，，，，
，，可以在某些场景下击败使用GPT-4的商业方案。。。 在WebQSP上，，，，
，，AGE AMAR仍然落伍于使用GPT-4的Paths-over-Graph（96.7%）等要领，，，，
，，但在更大规模的CWQ数据集上则逾越了这些要领，，，，
，，说明AGE的优势在处理更重大、更大规模的图时更为显着。。。 研究团队还做了一系列"拆解实验"，，，，
，，逐一验证AGE各个设计决议的孝顺。。。这类实验就像厨师把一道菜拆解成差别食材，，，，
，，划分测试每种食材的孝顺。。。 实验从最基础的G-Retriever出发（准确率55.95%），，，，
，，依次叠加差别的设计组件。。。单独加入天生式架构（GA）加上随机掩码，，，，
，，准确率提升至65.32%，，，，
，，前进约9.4个百分点。。；；；；；；怀蒍EPA架构并坚持随机掩码，，，，
，，准确率进一步提升至71.41%，，，，
，，总计前进约15.5个百分点。。。接着在天生式架构的基础上加入可学习节点采样器，，，，
，，准确率抵达78.70%，，，，
，，总前进约22.8个百分点。。。最终完整的AGE（JEPA加上可学习节点采样器）抵达82.67%，，，，
，，总前进约26.7个百分点。。。 这个渐进式提升很是直观地说明晰三点：从天生式架构切换到JEPA框架是有价值的；；；；；；加入可学习节点采样器比随机掩码带来了特另外显著提升；；；；；；并且这两个刷新是相互叠加、相互增强的。。。 关于节点采样的比例（采样率ρ），，，，
，，研究团队发明0.3是最优选择。。。这意味着把约莫30%的节点标记为要害节点，，，，
，，剩余70%作为辅助节点来举行掩码展望。。。在ExplaGraphs（平均每个检索子图只有5.17个节点）和WebQSP（平均18.21个节点）两个规模差别很大的数据集上，，，，
，，这个参数都能给出稳固的优异体现。。。 研究团队还与静态节点选择战略（PageRank算法和节点度中心性）举行了比照。。。这两种静态要领都倾向于选择毗连最多的"超等节点"作为要害节点，，，，
，，但实验效果显示，，，，
，，这类静态要领需要较高的采样率才华体现较好，，，，
，，并且整体性能仍然低于基于强化学习的自顺应采样器。。。这说明哪些节点是真正的"要害节点"并不是牢靠的，，，，
，，而是依赖于详细图结构和使命需求，，，，
，，只有能动态学习的采样器才华真正识别出来。。。 研究团队还做了可视化实验，，，，
，，让我们能够直观地看到AGE是怎样识别要害节点的。。。通过t-SNE降维手艺，，，，
，，他们把高维的节点向量投影到二维平面上，，，，
，，视察图编码器输出和看法解码器输出的节点漫衍转变。。。 在ExplaGraphs的几个样本中，，，，
，，一个典范例子是关于"布道"话题的子图。。。节点采样器把"拯救灵魂"（saving souls）标记为要害节点，，，，
，，把"布道士"（missionaries）和"基督徒"（Christians）标记为辅助节点。。。这个选择很有原理：知道了"拯救灵魂"这个焦点看法，，，，
，，你很容易推断出相关的执行者是布道士和基督徒；；；；；；但反过来，，，，
，，仅仅知道有布道士和基督徒，，，，
，，却很难直接推断出"拯救灵魂"这个深层念头。。。 另一个例子越爆发涯化：要害节点是"与罪犯打交道"（work with criminals），，，，
，，辅助节点是"羁系人们"（imprison people）和"公共辩护人"（public defenders）。。。同样的逻辑——从要害节点可以轻松推断出辅助节点，，，，
，，但反向推断则难题堪多。。。 可视化图还显示了一个有趣的纪律：不是伶仃的要害节点，，，，
，，而是相互毗连的要害节点群，，，，
，，能够资助模子更准确地展望辅助节点（体现为更低的展望误差）。。。这说明要害节点之间的关系同样承载着主要信息，，，，
，，单个伶仃的要害节点有时也无法提供足够的上下文。。。 研究团队也坦诚地展示了一个失败案例：当问题是"西雅图华盛顿的邮政编码是什么"时，，，，
，，检索器提供了一个真实谜底"98175"作为节点，，，，
，，但节点采样器把它标记为辅助节点，，，，
，，且对这个节点的展望误差很高（说明模子难以从其他节点推断出它），，，，
，，最终导致语言模子在回覆时忽略了这个节点。。。研究团队以为，，，，
，，让采样率能够凭证图的密度动态调解，，，，
，，而不是使用牢靠值，，，，
，，可能是解决这类问题的偏向之一。。。 从整体的系统设计角度来看，，，，
，，AGE有一个突出的适用价值：它在不显著增添盘算本钱的条件下带来了可观的性能提升。。。研究团队的测试批注，，，，
，，与使用4层图编码器的G-Retriever相比，，，，
，，AGE使用2层图编码器就能逾越前者的性能，，，，
，，而盘算量（FLOPs）大致相当。。；；；；；；痪浠八，，，，
，，AGE用同样的盘算预算做了更智慧的事情，，，，
，，而不是靠堆砌更多层数来蛮力提升性能。。。 在现实硬件需求上，，，，
，，整个系统可以在两张RTX 2080Ti 11GB显卡或一张A100 80GB显卡上完成训练和推理。。。关于工业应用来说，，，，
，，这是一个相当合理的设置要求。。。 从逊з度来看，，，，
，，使用Llama3.2 1B的AGE每个训练轮次只需约2分钟，，，，
，，而使用Llama2 7B的G-Retriever需要约6.2分钟，，，，
，，推理速率则高达148.5个词元每秒。。。这种效率上的优势使得AGE在现实安排中具有显着的吸引力。。。 别的，，，，
，，研究团队还验证了AGE的跨数据集迁徙能力。。。把在大规模WebQSP数据集上训练好的AGE模子直接应用到小规模的ExplaGraphs上（不重新训练），，，，
，，模子仍然能坚持不错的性能，，，，
，，且显着优于直接迁徙的G-Retriever。。。这种迁徙能力意味着AGE可能具备一定的通用性，，，，
，，不需要为每个新数据集重新训练。。。 归根结底，，，，
，，这项研究解决的是一个颇为基础但影响深远的问题：当AI需要明确一张关系图时，，，，
，，怎样让它真正"懂"图，，，，
，，而不但是"看"图。。。欧姆龙的研究团队给出的谜底是：模拟语言模子学习文字关系的方式，，，，
，，但加入一个智能的"抓重点"机制，，，，
，，让模子专注于学习要害节点与辅助节点之间的关系，，，，
，，而不是被难以展望的焦点信息所困扰。。。 这个思绪对更普遍的AI应用有一定启发意义。。。知识图谱被普遍应用于医疗（药物相互作用图）、金融（风险关联图）、科研（论文引用图）等多个领域。。。更准确地明确这些图结构，，，，
，，意味着AI助手在回覆医学问题、剖析金融风险、辅助科研检索时都能做得更好。。。 研究团队也坦率地指出了目今的局限：采样率现在是牢靠的，，，，
，，没有凭证图的疏密水平动态调解；；；；；；AGE现在只在GraphRAG使命上举行了测试，，，，
，，尚未扩展到节点分类、链接展望等其他图学习使命；；；；；；别的，，，，
，，由于盘算资源限制，，，，
，，大规模语言模子（如70B以上的模子）与AGE的连系效果尚未获得验证。。。这些偏向都是未来值得继续探索的空间。。。关于希望深入研究这个偏向的读者，，，，
，，可通过论文编号arXiv:2607.00052查阅完整原文，，，，
，，其中附录部分还包括了大宗特另外架构细节、比照实验和可视化案例。。。 A：AGE使用一个叫做节点采样器的？？？？？？槔辞终饬嚼嘟诘恪。。节点采样器通太过析每个节点与周围节点的相互关系，，，，
，，为每个节点打一个主要性分数，，，，
，，然后按比例选出得分最高的约30%节点作为要害节点，，，，
，，剩余70%作为辅助节点。。。要害节点的选择标准是：若是遮住这个节点，，，，
，，模子很难从周围信息推断出它，，，，
，，说明它承载着奇异的不可替换的信息。。。节点采样器自己通过强化学习训练，，，，
，，展望误差越大的辅助节点，，，，
，，下次越有可能被提升为要害节点。。。 A：通俗图神经网络要领通过加权汇总邻人节点信息来体现每个节点，，，，
，，实质上是一种平均化的操作，，，，
，，当检索到的子图包括冗余或噪音节点时，，，，
，，这些无关信息会稀释有用节点的体现。。。AGE的焦点差别在于引入了掩码自监视学习机制，，，，
，，通过让模子训练"从要害节点展望辅助节点"来学习节点间的依赖关系，，，，
，，并使用JEPA架构让模子关注语义层面的关系而非外貌细节，，，，
，，从而获得结构更清晰、信息更集中的图嵌入体现。。。 A：任何需要AI系统从结构化关系网络中检索信息往返覆问题的场景都可以受益。。。例如医疗领域的药物相互作用盘问（知识图谱纪录着药物、靶点、副作用之间的关系）、企业知识治理（纪录产品、流程、职员之间的关联）、学术文献剖析（论文、作者、机构、引用关系组成的图谱），，，，
，，以及智能客服系统（产品功效、故障类型、解决方案之间的关系图）。。。这些场景的配合特点是知识以关系网络形式保存，，，，
，，而非纯文本，，，，
，，AGE正是为让AI更好地明确这类结构化知识而设计的。。。