🤖 AI

HypoAgent: An Agentic Framework for Interactive Abductive Hypothesis Generation over Knowledge Graphs

HypoAgent est un cadre agentique qui améliore la génération d'hypothèses abductives interactives sur des graphes de connaissances en intégrant la reconnaissance d'intention, la génération contrôlable et l'analyse des causes racines pour gérer efficacement les dialogues multi-tours et fournir des raffinements diagnostiques granulaires.

Auteurs originaux : Yisen Gao, Yixi Cai, Tianshi Zheng, Jiaxin Bai, Yangqiu Song

Publié 2026-06-01

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yisen Gao, Yixi Cai, Tianshi Zheng, Jiaxin Bai, Yangqiu Song

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais au lieu d'une scène de crime, votre « preuve » est une liste de faits ou d'objets étranges (comme une liste de maladies, de médicaments ou de joueurs de football). Votre objectif est de concevoir une histoire logique (une hypothèse) qui explique pourquoi tous ces éléments sont liés.

Ce document présente HypoAgent, un système informatique intelligent conçu pour vous aider à construire ces histoires en utilisant une immense encyclopédie numérique appelée Graphe de Connaissances (Knowledge Graph). Considérez le Graphe de Connaissances comme un gigantesque réseau de faits où chaque morceau d'information est connecté à d'autres (par exemple, « le Médicament A traite la Maladie B »).

Voici comment fonctionne HypoAgent, décomposé en concepts simples :

Le Problème : Le « Jeu de Devinettes » est difficile

Habituellement, lorsqu'on demande à un ordinateur de trouver un lien entre une liste d'éléments, il peut deviner une histoire qui semble correcte mais qui est en réalité fausse.

Le problème du « Un et un seul » : Les anciens systèmes n'écoutaient que votre première instruction. Si vous vouliez changer l'histoire plus tard (par exemple, « En fait, je veux me concentrer sur les médicaments plutôt que sur les symptômes »), le système devenait confus. Il ne pouvait pas se souvenir de ce que vous aviez signifié lors des tours précédents.
Le problème du « Tout ou Rien » : Si l'ordinateur devinait une histoire qui était correcte à 90 % mais qui contenait un seul détail erroné, les anciens systèmes jetaient simplement toute l'histoire et recommença Amaient à zéro. Ils ne pouvaient pas dire : « Hé, la partie sur les médicaments est correcte, mais la partie sur les effets secondaires est fausse. Réparons juste cette partie. »

La Solution : L'équipe de trois détectives de HypoAgent

HypoAgent résout cela en agissant comme une équipe de trois détectives spécialisés travaillant ensemble en boucle :

1. Le « Traducteur » (Agent de reconnaissance d'intention)

Imaginez que vous parlez à un robot très littéral. Vous dites : « Simplifie l'explication », ou « Dis-m'en plus sur le traitement ». Un robot normal pourrait être confus.

Ce que fait HypoAgent : Cet agent écoute vos mots actuels et se souvient de ce que vous avez dit il y a cinq minutes. Il traduit votre conversation humaine et parfois vague en une « carte » précise pour l'ordinateur.
La métaphore : C'est comme un guide touristique qui sait que vous avez commencé par demander des informations sur les « montagnes », puis que vous avez demandé des « sentiers de randonnée », et que maintenant vous dites « rendez cela plus facile ». Le guide sait que vous ne voulez pas dire « arrêter de randonner », mais plutôt « trouver un sentier plus plat ». Il met à jour les instructions de l'ordinateur en fonction de tout l'historique de votre conversation.

2. Le « Conteur » (Agent de génération d'hypothèses)

Une fois que le Traducteur a fourni les instructions claires, cet agent écrit l'histoire logique.

Ce que fait HypoAgent : Il examine le « Graphe de Connaissances » et construit une phrase logique (une hypothèse) qui relie votre liste d'éléments.
La métaphore : C'est l'écrivain qui rédige le récit de mystère. Il essaie de relier les points en se basant sur les règles données par le Traducteur.

3. L'« Inspecteur » (Agent d'analyse de la cause profonde)

C'est la partie la plus importante et la plus nouvelle. Après que le Conteur a rédigé un brouillon, l'Inspecteur le vérifie.

Le « Diagnostic de précision » : Si l'histoire échoue, l'Inspecteur ne se contente pas de dire « Échec ». Il décompose l'histoire en petits morceaux (fragments).
- Exemple : Si l'histoire est « Ces médicaments guérissent la polyarthrite rhumatoïde ET ciblent l'IL-17 », l'Inspecteur vérifie : « Est-ce que la partie "guérir la polyarthrite" fonctionne ? Oui. Est-ce que la partie "cibler l'IL-17" fonctionne ? Non. »
La « Sonde de voisinage » : L'Inspecteur regarde ensuite le « voisinage » des éléments dans le Graphe de Connaissances. Il demande : « Si ces médicaments ne ciblent pas l'IL-17, qu'ont-ils en commun à proximité ? » Peut-être traitent-ils tous une autre maladie, comme la maladie inflammatoire de l'intestin.
La métaphore : Imaginez un mécanicien réparant une voiture. Au lieu de jeter toute la voiture parce que le moteur fait un bruit, le mécanicien dit : « Les pneus sont bons, les freins sont bons, mais la bougie d'allumage est mauvaise. Remplaçons juste la bougie d'allumage. » HypoAgent remplace la mauvaise partie de l'histoire par une meilleure partie trouvée dans le « voisinage », plutôt que de repartir de zéro.

Comment ils travaillent ensemble (La boucle)

Vous posez une question.
Le Traducteur transforme votre demande en une carte.
Le Conteur rédige un brouillon.
L'Inspecteur vérifie le brouillon.
- Si c'est parfait, vous obtenez la réponse.
- Si c'est imparfait, l'Inspecteur trouve la pièce exacte qui est cassée, trouve une meilleure pièce dans le « voisinage », et dit au Conteur d'essayer à nouveau avec les instructions corrigées.
Ce processus se répète jusqu'à ce que l'histoire soit parfaite.

Ce que l'article affirme (Les résultats)

Les auteurs ont testé ce système sur trois types différents de « Graphes de Connaissances » :

BioKG & PharmKG : Bases de données médicales et de médicaments.
DBpedia50 : Connaissances générales sur le monde.

Ils ont constaté que HypoAgent est plus performant que les méthodes précédentes pour :

Vous écouter : Il comprend l'évolution de votre pensée lors d'une longue conversation (dialogue multi-tours).
Corriger les erreurs : Il peut corriger une histoire défectueuse en ne changeant que la partie erronée, ce qui conduit à des résultats beaucoup plus précis.
Travailler de manière autonome : Même si vous ne donnez pas d'instructions spécifiques, il peut analyser ses propres erreurs et améliorer l'histoire de lui-même.

En bref : HypoAgent est un système intelligent qui ne se contente pas de deviner des réponses ; il écoute vos questions évolutives, écrit une histoire logique et, si l'histoire présente une faille, il agit comme un chirurgien pour réparer uniquement la mauvaise partie, en utilisant les données environnantes pour trouver le remplacement parfait.

Résumé Technique : HypoAgent

Énoncé du Problème

Le raisonnement abductif sur les Graphes de Connaissances (GC) vise à générer des hypothèses logiques (formules de logique du premier ordre) pour expliquer un ensemble d'entités observées. Bien que des travaux récents aient introduit la génération d'hypothèses contrôlable — permettant aux utilisateurs de guider le processus avec des conditions explicites — les méthodes existantes font face à deux limitations critiques dans les contextes interactifs :

Manque d'ancrage de l'intention dans les dialogues multi-tours : Les méthodes actuelles peinent à ancrer les intentions en langage naturel, évolutives et ambiguës, à travers plusieurs tours de dialogue. Elles nécessitent généralement des signaux de contrôle statiques et explicites et ne peuvent pas interpréter des requêtes dynamiques dépendantes du contexte (par exemple, « explorer davantage » ou « le rendre plus simple ») basées sur l'historique du dialogue.
Absence de diagnostic d'échec fin par le grain : Lorsqu'une hypothèse générée échoue à recouvrer les entités observées, les méthodes existantes évaluent généralement uniquement la similitude de l'ensemble de réponses final. Elles manquent de mécanismes pour diagnostiquer pourquoi une hypothèse a échoué, identifier quels fragments logiques spécifiques sont peu fiables, ou fournir des corrections ciblées. Par conséquent, elles ne peuvent pas distinguer les composants corrects des composants incorrects d'une hypothèse, ni exploiter les preuves du voisinage du GC pour affiner l'hypothèse sans la régénérer de zéro.

Méthodologie : Le Framework HypoAgent

Les auteurs proposent HypoAgent, un framework agentique conçu pour la génération d'hypothèses abductives interactive et explicable. Le système fonctionne via trois agents collaboratifs qui forment une boucle de raisonnement itérative :

1. Agent de Reconnaissance d'Intention (IRA - Intent Recognition Agent)

L'IRA est responsable de l'ancrage des énoncés de l'utilisateur dans des conditions de GC structurées et exécutables. Contrairement aux parseurs à tour unique, l'IRA est sensible à l'historique. Il traite l'énoncé actuel de l'utilisateur ( $u_t$ ) aux côtés de l'historique de l'interaction ( $D_{<t}$ ), qui comprend les hypothèses précédentes, leurs verbalisations en langage naturel, les conditions reconnues et les scores d'exécution.

Fonction : Il transforme les instructions vagues ou comparatives (ex: « garder l'entité mais changer la relation ») en ensembles de conditions structurés ( $c_t$ ).
Types de conditions : Il décompose l'intention de l'utilisateur en cinq types de conditions : relation, entity, relationnumber, entitynumber, et pattern.
Sortie : Un ensemble de conditions structurées qui guide l'étape de génération suivante.

2. Agent de Génération d'Hypothèse (HGA - Hypothesis Generation Agent)

L'HGA invoque un générateur conditionnel léger et entraîné ( $p_\theta$ ) pour produire des hypothèses de logique du premier ordre basées sur les conditions reconnues.

Processus : Étant donné les entités observées $O$ et les conditions $c_t$ , le générateur produit une hypothèse $H_t$ via un processus autorégressif.
Évaluation : L'hypothèse est exécutée sur le GC pour obtenir son ensemble de réponses $A_G(H_t)$ . La qualité est mesurée par des métriques basées sur les ensembles (similitude de Jaccard, coefficient de Dice, coefficient de recouvrement) par rapport à l'ensemble observé $O$ .
Décision : Si le score est satisfaisant, l'hypothèse est retournée. Sinon, le système déclenche l'Agent d'Analyse de la Cause Racine.

3. Agent d'Analyse de la Cause Racine (RCAA - Root Cause Analysis Agent)

Le RCAA diagnostique les échecs et affine l'hypothèse sans rejeter l'intégralité de la génération. Il opère via deux mécanismes complémentaires :

Diagnostic de Fragment d'Hypothèse : L'hypothèse est décomposée en fragments exécutables (par exemple, des atomes relationnels simples ou des conjonctions partielles). Chaque fragment est exécuté sur le GC pour déterminer si son ensemble de réponses s'aligne avec les observations. Les fragments ayant une faible similitude sont signalés comme peu fiables, tandis que les fragments à haute similitude sont préservés.
Sondage du Voisinage du GC : L'agent sonde les voisinages locaux des entités observées pour découvrir des relations, des entités et des chemins candidats qui connectent couramment ces dernières. Cela permet d'identifier des ancres sémantiques manquantes ou des relations alternatives que l'hypothèse initiale a omises.
Stratégie de Raffinement : Sur la base de ces analyses, le RCAA peut soit :
1. Réparer l'hypothèse actuelle en remplaçant les fragments faibles par des relations/chemins supportés trouvés dans le voisinage.
2. Synthétiser des conditions de contrôle raffinées (ex: ajouter une entité ancre découverte) pour guider le générateur vers un meilleur espace d'hypothèses lors de l'itération suivante.

Principales Contributions

Le papier identifie et traite les défis du raisonnement abductif interactif à travers les contributions suivantes :

Identification du Problème : Les auteurs soulignent les difficultés spécifiques de l'ancrage d'intentions évolutives en langage naturel dans les interactions multi-tours et de l'exécution d'un diagnostic de cause racine fin pour les hypothèses échouées dans le raisonnement sur les GC.
Framework HypoAgent : Ils introduisent un framework agentique intégrant la reconnaissance d'intention, la génération contrôlable sensible à l'historique et l'analyse de cause racine ancrée dans le GC. Cela permet aux utilisateurs d'affiner les hypothèses de manière itérative via un feedback en langage naturel.
Validation Empirique : Des expériences approfondies sur trois benchmarks de GC (DBpedia50, PharmKG8k, BioKG) couvrant les domaines du sens commun et biomédical démontrent qu'HypoAgent atteint l'état de l'art en termes de similitude sémantique dans les contextes inconditionnels, à tour unique et multi-tours.

Résultats Expérimentaux

Les auteurs ont évalué HypoAgent par rapport à des bases de référence incluant CtrlHGen (backbone de génération contrôlable), AbductiveKGR et DARK.

Génération Contrôlable à Tour Unique : Les variantes d'HypoAgent ont systématiquement surpassé CtrlHGen en termes de similitude sémantique (Jaccard, Dice, Recouvrement) sur tous les jeux de données. Par exemple, sur PharmKG8k, la meilleure variante a amélioré la similitude de Jaccard de 63,3 % à 82,4 %. Bien qu'il y ait eu un léger compromis sur la précision de l'adhérence stricte aux conditions sur certains jeux de données, la qualité explicative des hypothèses s'est considérablement améliorée.
Raffinement Multi-Tours : Dans les contextes multi-tours, HypoAgent a démontré sa capacité à suivre des intentions évolutives. L'inclusion du module de Root Cause Analysis (RCA) a systématiquement amélioré la similitude sémantique par rapport aux versions sans RCA, confirmant son efficacité pour identifier les fragments peu fiables et guider le raffinement.
Auto-Amélioration Inconditionnelle : Dans les configurations sans conditions explicites de l'utilisateur, HypoAgent a significativement surpassé AbductiveKGR et DARK. Le système a réussi à inférer des conditions internes utiles à partir des échecs initiaux de l'hypothèse pour guider les raffinements ultérieurs, démontant ainsi des capacités d'auto-amélioration.
Études d'Ablation : Le retrait du module RCA a entraîné une baisse claire de performance. De plus, l'étude a montré que le « Diagnostic de Fragment d'Hypothèse » et le « Sondage du Voisinage du GC » contribuent tous deux de manière unique, le diagnostic de fragment étant particulièrement critique pour les hypothèses complexes.

Signification et Revendications

Le papier affirme qu'HypoAgent représente une étape significative pour rendre le raisonnement abductif sur les GC interactif et convivial. En passant d'un contrôle statique à tour unique à un framework agentique multi-tours, le système permet aux utilisateurs de raffiner les hypothèses de manière collaborative via le langage naturel.

Les auteurs soulignent que la capacité du framework à effectuer un diagnostic fin est cruciale. Au lieu de traiter un échec d'hypothèse comme une perte totale, HypoAgent identifie les erreurs logiques spécifiques et exploite les preuves structurelles du GC pour les réparer. Cette approche améliore non seulement la qualité des hypothèses générées, mais fournit également une interprétabilité en expliquant pourquoi une hypothèse a été ajustée. Ce travail suggère qu'un tel raffinement agentique et itératif est essentiel pour les applications pratiques dans des domaines tels que le diagnostic clinique et la découverte scientifique, où les hypothèses nécessitent souvent plusieurs cycles d'ajustement pour s'aligner sur des observations complexes.

Le papier conclut par une reconnaissance modeste des limites : la performance du framework dépend de la qualité et de la couverture du GC sous-jacent, et sa dépendance aux signaux de voisinage local peut être insuffisante pour les graphes creux ou les explications nécessitant un raisonnement à longue portée.