Zespół badawczy zaproponował innowacyjną ramę do trenowania modeli językowych do odpowiadania na pytania wymagające wieloetapowego wnioskowania opartego na grafach wiedzy. Tradycyjne podejście trenuje modele tylko na izolowanych trójkach wzór-relacja-cel, co ogranicza ich zdolność do łączenia kontekstu potrzebnego do wieloetapowego wnioskowania.
Nowa metoda, zwana Context-Augmented Knowledge Graph Reasoning, zmienia to podejście poprzez dołączanie do każdej głównej trójki grafu wiedzy dodatkowych trójek wspierających wydobytych z tego samego fragmentu tekstu źródłowego. To tworzy graf kontekstowy, który zapewnia bogatsze tło dla uczenia się modelu. Badacze trenowali model Qwen3-14B w dwóch wariantach: KGModel używający tylko docelowych trójek i CGModel wykorzystujący pełny kontekst. Krytycznym novum jest LLM-oceniany, uwzględniający historię adaptacyjny proces naprawy, który identyfikuje nierozwiązane błędy jednoprzeskokowe, przeprowadza docelowe fine-tuning na przykładach naprawy i usuwa lub kwarantannuje problematyczne szumne trójki.
Metoda została walidowana na dziedzinie medycznej przy użyciu niezawodnego frameworku ekstrakcji GraphMERT dla Gastroparezy i Cukrzycy. Połączenie wzmocnienia kontekstowego z adaptacyjnym procesem naprawy ma na celu wzmocnienie fundamentów faktycznych modelu na poziomie jednoprzeskokowym, co powinno znacznie poprawić dokładność wieloetapowych odpowiedzi. To podejście reprezentuje krok naprzód w tym, jak duże modele języka mogą się uczyć strukturalnych zależności w grafach wiedzy.