内存优先的事实检查：用于错误信息检测的基于知识图的多代理系统

本文介绍了一种混合事实检查框架，该框架将基于知识图的语义记忆与对抗性多智能体推理相结合，以进行可解释的错误信息检测。所提出的系统遵循内存优先、网络后备架构，其中输入声明最初通过基于句子 BERT 的语义检索和自然语言推理针对双索引知识图进行评估。当从图中检索到的证据不足以支持可靠的决策时，该框架会从可信的网络来源收集信息，并使用由支持、反驳和判断代理组成的对抗法庭对其进行评估。图感知置信机制结合语义相似性、NLI置信度和结构图证据来确定内部知识是否充足，从而减少不必要的网络检索。经过验证后，经过验证的信息将转换为结构化三元组并纳入知识图谱，支持系统语义记忆的增量扩展。对精心策划的 COVID-19 错误信息基准的实验评估表明，所提出的框架在已解决的索赔方面实现了 97.4% 的准确度和 92.6% 的宏观平均 F1 分数，优于 Llama~3.3~70B 基线，后者获得了 87.7% 的准确度和 86.3% 的宏观平均 F1 分数。