신뢰성 있는 지식 그래프 삼중항 검증을 위한 스키마 기반 계획 및 하이브리드 지식 도구 모음

Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification

지식 그래프(KG)는 AI 시스템의 핵심 기반 역할을 하지만, 자동 구축 과정에서 필연적으로 발생하는 오류로 인해 데이터의 신뢰성이 저하될 수 있습니다. 기존의 삼중항 검증 방법은 그래프 임베딩 또는 언어 모델을 기반으로 하며, 내부 구조적 제약 또는 외부 의미 증거에 의존하여 단일 정보원 편향 문제를 겪고, 일반적으로 정적인 추론 방식을 따릅니다. 그 결과, 복잡하거나 희귀한 사실을 처리하는 데 어려움을 겪으며, 제한적인 해석 가능성을 제공합니다. 이러한 한계점을 극복하기 위해, 우리는 훈련이 필요 없는 자율 에이전트인 SHARP(Schema-Hybrid Agent for Reliable Prediction)를 제안합니다. SHARP는 삼중항 검증을 전략적 계획, 능동적 조사, 증거 기반 추론의 동적 과정으로 재구성합니다. 특히, SHARP는 메모리 증강 메커니즘과 스키마 기반 전략적 계획을 결합하여 추론의 안정성을 향상시키고, 향상된 ReAct 루프와 하이브리드 지식 도구 모음을 사용하여 내부 KG 구조와 외부 텍스트 증거를 동적으로 통합하여 교차 검증을 수행합니다. FB15K-237 및 Wikidata5M-Ind 데이터 세트에서의 실험 결과, SHARP는 기존의 최첨단 모델을 크게 능가하며, 각각 4.2% 및 12.9%의 정확도 향상을 달성했습니다. 또한, SHARP는 각 판단에 대한 투명하고 사실 기반의 증거 체인을 제공하여 복잡한 검증 작업에 대한 강력한 해석 가능성과 견고성을 입증합니다.

Knowledge Graphs (KGs) serve as a critical foundation for AI systems, yet their automated construction inevitably introduces noise, compromising data trustworthiness. Existing triple verification methods, based on graph embeddings or language models, often suffer from single-source bias by relying on either internal structural constraints or external semantic evidence, and usually follow a static inference paradigm. As a result, they struggle with complex or long-tail facts and provide limited interpretability. To address these limitations, we propose SHARP (Schema-Hybrid Agent for Reliable Prediction), a training-free autonomous agent that reformulates triple verification as a dynamic process of strategic planning, active investigation, and evidential reasoning. Specifically, SHARP combines a Memory-Augmented Mechanism with Schema-Aware Strategic Planning to improve reasoning stability, and employs an enhanced ReAct loop with a Hybrid Knowledge Toolset to dynamically integrate internal KG structure and external textual evidence for cross-verification. Experiments on FB15K-237 and Wikidata5M-Ind show that SHARP significantly outperforms existing state-of-the-art baselines, achieving accuracy gains of 4.2% and 12.9%, respectively. Moreover, SHARP provides transparent, fact-based evidence chains for each judgment, demonstrating strong interpretability and robustness for complex verification tasks.