要旨: 学術ウェブは、引用によって結びつけられた知識の広大なネットワークです。しかし、このシステムは、引用が主張を支持しない、あるいは主張と矛盾するような誤引用によって、ますます損なわれています。現在の誤引用検出手法は、主に意味的相似性やネットワークの異常に依存しており、引用の文脈とそれが広いネットワーク内で占める位置とのニュアンスのある関係を捉えるのに苦戦しています。大規模言語モデル（LLMs）はこのタスクの意味的推論に強力な能力を提供しますが、幻覚リスクと高い計算コストによって展開が妨げられています。本研究では、LLM-Augmented Graph Learning-based Miscitation Detector（LAGMiD）を導入します。新しいフレームワークは、引用グラフに対する深い意味推論にLLMを活用し、その知識をグラフニューラルネットワーク（GNN）へ蒸留して、効率的でスケーラブルな誤引用検出を実現します。具体的には、LAGMiD はエビデンスチェーン推論機構を導入します。これは思考過程の連鎖（chain-of-thought prompting）を用いてマルチホップの引用追跡を行い、意味的忠実性を評価します。LLM 推論コストを削減するため、GNN の埋め込みと中間の LLM 推論状態を整合させる知識蒸留法を設計しました。協調学習戦略は、複雑なケースを LLM に割り当てつつ、構造ベースの一般化のために GNN を最適化します。3つの実世界ベンチマークでの実験は、LAGMiD が推論コストを大幅に削減しつつ、最先端の誤引用検出能力を実現することを示しています。
返却形式: {"translated": "翻訳されたHTML"}
