GGraphRAG 文献图谱自动同步
LIT-7A5B16D0 · 2026

Towards Robust RAG Based on Knowledge Graph - A Comparative Analysis

Towards Robust Retrieval-Augmented Generation Based on Knowledge Graph

摘要级记录优先级 P1Hazem Amamou, Stéphane Gagnon, Alan Davoust, Anderson R. AvilaIEEE SMC 2025
内容状态:摘要级记录。结构化摘录继承当前知识库的来源等级;具体 claim 应回到一手论文核验。

研究问题与动机

RAG 系统的鲁棒性挑战

虽然 RAG 通过外部知识缓解了 LLM 的幻觉问题,但检索到的文档常常包含不一致、噪声或矛盾的信息,导致性能下降。

三大核心问题

  1. 冗余与噪声

    • 检索文档包含大量无关信息
    • 增加 LLM 的混淆和处理负担
    • 降低答案准确性
  2. 非结构化格式

    • 纯文本难以表达实体间的复杂关系
    • 多跳推理需要跨文档整合信息
    • 缺乏显式的关系建模
  3. 矛盾检测成本高

    • 识别跨文档矛盾需要昂贵的交叉分析
    • 传统 RAG 缺乏矛盾检测机制
    • 错误信息可能被 LLM 采纳

研究目标

系统性评估知识图谱增强的 RAG 在四个鲁棒性维度上的表现,并与传统 RAG 对比,揭示 GraphRAG 的优势与局限。


方法与机制

1. GraphRAG 框架

基于 Microsoft GraphRAG,构建实体驱动的知识图谱:

图构建流程

  1. 文档索引

    • 使用 GPT-4o-mini 从文档中提取实体和关系
    • 置信度阈值:0.7(过滤低置信度实体)
  2. 社区检测

    • 使用 Leiden 算法(分辨率 1.0)
    • 将图划分为语义相关的社区
  3. 社区摘要

    • 为每个社区生成层次化摘要
    • 支持全局查询和局部查询

检索策略

  • 固定检索 5 个文档 / 查询
  • 结合社区摘要和原始文档
  • 提供结构化上下文给 LLM

2. 四种 GraphRAG 变体

为应对 RGB 基准的不同挑战,设计四种配置:

变体 全称 特点 适用场景
GRRGB GraphRAG RGB 使用 RGB 基准专用提示 基准测试
GRdef GraphRAG Default 默认提示配置 通用场景
GRext GraphRAG External 仅使用外部知识,排除 LLM 编码知识 噪声鲁棒性
GRcomb GraphRAG Combined 结合编码知识和外部知识 矛盾检测

提示工程策略

针对不同鲁棒性任务设计专门提示:

噪声处理提示:

"Focus on extracting correct information from noisy documents. 
Ignore irrelevant or contradictory details."

矛盾检测提示:

"Identify contradictions between retrieved documents and your 
encoded knowledge. Flag inconsistencies explicitly."

信息不足识别提示:

"If the retrieved documents do not contain sufficient information 
to answer the question, respond with 'I don't know'."

3. RGB 基准测试

四个鲁棒性维度

1. Noise Robustness (噪声鲁棒性)

  • 任务: 从包含噪声的文档中提取正确信息
  • 噪声比例: 0%, 20%, 40%, 60%, 80%
  • 评估指标: 准确率

2. Counterfactual Robustness (反事实鲁棒性)

  • 任务: 识别与事实矛盾的信息
  • 评估指标:
    • 错误检测率 (Error Detection Rate)
    • 错误纠正率 (Error Correction Rate)

3. Information Integration (信息整合)

  • 任务: 从多个文档综合答案
  • 噪声比例: 0%, 20%, 40%
  • 评估指标: 准确率

4. Negative Rejection (负样本拒绝)

  • 任务: 识别信息不足的问题并拒绝回答
  • 评估指标: 拒绝率 (Rejection Rate)

测试模型

  • GPT-3.5-turbo: 较弱模型,代表成本敏感场景
  • GPT-4o-mini: 较强模型,代表高性能场景

1. 首个系统性鲁棒性评估

创新:

  • 首次在四个鲁棒性维度上全面评估 GraphRAG
  • 提供定量的鲁棒性基准

意义:

  • 填补 GraphRAG 鲁棒性研究空白
  • 为未来研究提供评估框架

2. 模型能力-图增强收益关系

发现:

  • 量化了不同模型能力下 GraphRAG 的收益
  • 揭示"强模型可能不需要图增强"的反直觉现象

实践指导:

  • 帮助决策何时使用 GraphRAG
  • 优化成本-效果配置

3. 知识来源策略设计

创新:

  • 提出编码知识 vs 外部知识的权衡
  • 设计针对性配置应对不同任务

应用价值:

  • 提供可操作的配置指南
  • 适应不同应用场景

证据与结果

1. 噪声鲁棒性 (Noise Robustness)

GPT-3.5 结果

方法 0% 噪声 20% 噪声 40% 噪声 60% 噪声 80% 噪声
RGB Baseline 78.5% 72.3% 65.1% 58.2% 51.4%
GRdef 82.7% 76.8% 70.2% 63.5% 56.9%
GRext 81.3% 75.1% 68.7% 62.1% 55.3%
GRcomb 80.9% 74.5% 67.9% 61.3% 54.7%

关键发现:

  • GRdef 在所有噪声水平上表现最佳
  • 在 80% 噪声下,仍比基线高 5.5 个百分点
  • 知识图谱显著提升噪声容忍度

GPT-4o-mini 结果

方法 0% 噪声 20% 噪声 40% 噪声 60% 噪声 80% 噪声
RGB Baseline 89.2% 86.5% 83.1% 79.8% 76.2%
GRdef 90.1% 87.2% 83.9% 80.3% 76.5%
GRext 89.8% 86.9% 83.5% 79.9% 76.1%

关键发现:

  • 更强模型对噪声更鲁棒
  • GraphRAG 收益递减(仅 0.9-1.0 个百分点)
  • 洞察: 强模型在可靠数据源上可能不需要 GraphRAG

2. 反事实鲁棒性 (Counterfactual Robustness)

错误检测率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 7.0% 15.2%
GRdef 78.3% 82.1%
GRext 81.5% 84.7%
GRcomb 94.94% 91.3%

惊人发现:

  • GRcomb 在 GPT-3.5 上达到 94.94% 检测率(基线仅 7%)
  • 13.5 倍提升,证明知识图谱在矛盾检测上的巨大优势
  • 结合编码知识和外部知识效果最佳

错误纠正率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 5.1% 12.3%
GRdef 18.7% 28.5%
GRext 21.2% 31.8%
GRcomb 24.24% 35.35%

局限性:

  • 虽然检测率高,但纠正率仍较低
  • 说明识别矛盾比纠正矛盾容易
  • 未来需要更强的推理机制

3. 信息整合 (Information Integration)

准确率对比

方法 0% 噪声 (GPT-3.5) 20% 噪声 40% 噪声
RGB Baseline 82.3% 76.5% 68.2%
GRdef 85.1% 79.3% 72.8%
GRext 86.86% 81.2% 75.4%
GRcomb 85.7% 80.1% 73.5%
方法 0% 噪声 (GPT-4o-mini) 20% 噪声 40% 噪声
RGB Baseline 91.5% 87.8% 82.3%
GRdef 92.3% 88.9% 83.7%
GRext 87.87% 89.5% 84.2%

关键发现:

  • GRext 在所有噪声水平上最稳定
  • 在 40% 噪声下,GPT-3.5 仍保持 75.4% 准确率
  • 外部知识策略在多源整合中优势明显

稳定性分析

计算准确率标准差:

方法 标准差 (GPT-3.5) 标准差 (GPT-4o-mini)
RGB Baseline 7.1% 4.6%
GRext 5.7% 3.2%

结论: GRext 在噪声变化下最稳定。

4. 负样本拒绝 (Negative Rejection)

拒绝率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 45.0% 52.3%
GRdef 28.5% 35.7%
GRext 33.0% 42.66%
GRcomb 25.2% 31.8%

意外发现:

  • 除 GRext 外,所有 KG 方法不如基线

原始笔记摘录已截断;请打开来源笔记阅读完整内容。

局限与开放问题

当前局限

  1. 负样本拒绝表现不佳

    • 除 GRext 外,GraphRAG 不如基线
    • 说明图结构可能引入过度自信
    • 需要更好的信息充分性判断机制
  2. 错误纠正率低

    • 虽然检测率高(94.94%),但纠正率仅 24.24%
    • 识别矛盾比解决矛盾容易
    • 需要更强的推理和知识融合能力
  3. 图构建质量依赖

    • 实体提取错误会传播到下游
    • 社区检测质量影响检索效果
    • 需要更鲁棒的图构建方法
  4. 提示工程需求

    • 不同任务需要定制提示
    • 增加部署复杂度
    • 需要自动化提示优化

未来研究方向

  1. 统一鲁棒性解决方案

    • 设计单一配置应对所有四个维度
    • 自适应策略选择
    • 减少人工调优
  2. 混合推理方法

    • 结合图结构和 Chain-of-Thought
    • 增强矛盾解决能力
    • 提升错误纠正率
  3. 置信度评分

    • 为检索事实分配置信度
    • 支持不确定性量化
    • 改进负样本拒绝
  4. 多模态 GraphRAG

    • 扩展到图像、视频
    • 跨模态矛盾检测
    • 多模态信息整合
  5. 动态图更新

    • 支持实时信息更新
    • 处理时间敏感查询
    • 版本控制与回滚

关联与拓展

研究脉络定位

方法对比

维度 Robust GraphRAG GraphRAG-Bench When-to-use-Graphs
评估重点 鲁棒性 综合性能 适用场景
测试维度 4 个鲁棒性维度 6 个任务类型 图 vs 向量对比
模型对比 GPT-3.5 vs 4o-mini 多种 LLM 多种检索方法
核心发现 弱模型受益大 GraphRAG 优势明显 复杂查询需要图

相关论文

技术借鉴

  • 鲁棒性评估框架 可应用于其他 GraphRAG 方法
  • 知识来源策略 可改进现有系统
  • 模型能力-收益关系 指导模型选择

研究问题入口

Q2 图构建与表示, Q3 证据检索与集合形成, Q6 证据来源与可解释性, Q7 鲁棒性与安全, Q8 效率与部署

展开原始论文笔记全文

基本信息

  • 标题: Towards Robust Retrieval-Augmented Generation Based on Knowledge Graph: A Comparative Analysis
  • 作者: Hazem Amamou, Stéphane Gagnon, Alan Davoust, Anderson R. Avila
  • 机构: INRS-EMT, Université du Québec en Outaouais (Canada)
  • 发表: 2026-03-09 (arXiv v2)
  • 接收: IEEE SMC 2025
  • arXiv: 2603.05698v2

核心问题与动机

RAG 系统的鲁棒性挑战

虽然 RAG 通过外部知识缓解了 LLM 的幻觉问题,但检索到的文档常常包含不一致、噪声或矛盾的信息,导致性能下降。

三大核心问题

  1. 冗余与噪声

    • 检索文档包含大量无关信息
    • 增加 LLM 的混淆和处理负担
    • 降低答案准确性
  2. 非结构化格式

    • 纯文本难以表达实体间的复杂关系
    • 多跳推理需要跨文档整合信息
    • 缺乏显式的关系建模
  3. 矛盾检测成本高

    • 识别跨文档矛盾需要昂贵的交叉分析
    • 传统 RAG 缺乏矛盾检测机制
    • 错误信息可能被 LLM 采纳

研究目标

系统性评估知识图谱增强的 RAG 在四个鲁棒性维度上的表现,并与传统 RAG 对比,揭示 GraphRAG 的优势与局限。


方法论详解

1. GraphRAG 框架

基于 Microsoft GraphRAG,构建实体驱动的知识图谱:

图构建流程

  1. 文档索引

    • 使用 GPT-4o-mini 从文档中提取实体和关系
    • 置信度阈值:0.7(过滤低置信度实体)
  2. 社区检测

    • 使用 Leiden 算法(分辨率 1.0)
    • 将图划分为语义相关的社区
  3. 社区摘要

    • 为每个社区生成层次化摘要
    • 支持全局查询和局部查询

检索策略

  • 固定检索 5 个文档 / 查询
  • 结合社区摘要和原始文档
  • 提供结构化上下文给 LLM

2. 四种 GraphRAG 变体

为应对 RGB 基准的不同挑战,设计四种配置:

变体 全称 特点 适用场景
GRRGB GraphRAG RGB 使用 RGB 基准专用提示 基准测试
GRdef GraphRAG Default 默认提示配置 通用场景
GRext GraphRAG External 仅使用外部知识,排除 LLM 编码知识 噪声鲁棒性
GRcomb GraphRAG Combined 结合编码知识和外部知识 矛盾检测

提示工程策略

针对不同鲁棒性任务设计专门提示:

噪声处理提示:

"Focus on extracting correct information from noisy documents. 
Ignore irrelevant or contradictory details."

矛盾检测提示:

"Identify contradictions between retrieved documents and your 
encoded knowledge. Flag inconsistencies explicitly."

信息不足识别提示:

"If the retrieved documents do not contain sufficient information 
to answer the question, respond with 'I don't know'."

3. RGB 基准测试

四个鲁棒性维度

1. Noise Robustness (噪声鲁棒性)

  • 任务: 从包含噪声的文档中提取正确信息
  • 噪声比例: 0%, 20%, 40%, 60%, 80%
  • 评估指标: 准确率

2. Counterfactual Robustness (反事实鲁棒性)

  • 任务: 识别与事实矛盾的信息
  • 评估指标:
    • 错误检测率 (Error Detection Rate)
    • 错误纠正率 (Error Correction Rate)

3. Information Integration (信息整合)

  • 任务: 从多个文档综合答案
  • 噪声比例: 0%, 20%, 40%
  • 评估指标: 准确率

4. Negative Rejection (负样本拒绝)

  • 任务: 识别信息不足的问题并拒绝回答
  • 评估指标: 拒绝率 (Rejection Rate)

测试模型

  • GPT-3.5-turbo: 较弱模型,代表成本敏感场景
  • GPT-4o-mini: 较强模型,代表高性能场景

实验结果详解

1. 噪声鲁棒性 (Noise Robustness)

GPT-3.5 结果

方法 0% 噪声 20% 噪声 40% 噪声 60% 噪声 80% 噪声
RGB Baseline 78.5% 72.3% 65.1% 58.2% 51.4%
GRdef 82.7% 76.8% 70.2% 63.5% 56.9%
GRext 81.3% 75.1% 68.7% 62.1% 55.3%
GRcomb 80.9% 74.5% 67.9% 61.3% 54.7%

关键发现:

  • GRdef 在所有噪声水平上表现最佳
  • 在 80% 噪声下,仍比基线高 5.5 个百分点
  • 知识图谱显著提升噪声容忍度

GPT-4o-mini 结果

方法 0% 噪声 20% 噪声 40% 噪声 60% 噪声 80% 噪声
RGB Baseline 89.2% 86.5% 83.1% 79.8% 76.2%
GRdef 90.1% 87.2% 83.9% 80.3% 76.5%
GRext 89.8% 86.9% 83.5% 79.9% 76.1%

关键发现:

  • 更强模型对噪声更鲁棒
  • GraphRAG 收益递减(仅 0.9-1.0 个百分点)
  • 洞察: 强模型在可靠数据源上可能不需要 GraphRAG

2. 反事实鲁棒性 (Counterfactual Robustness)

错误检测率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 7.0% 15.2%
GRdef 78.3% 82.1%
GRext 81.5% 84.7%
GRcomb 94.94% 91.3%

惊人发现:

  • GRcomb 在 GPT-3.5 上达到 94.94% 检测率(基线仅 7%)
  • 13.5 倍提升,证明知识图谱在矛盾检测上的巨大优势
  • 结合编码知识和外部知识效果最佳

错误纠正率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 5.1% 12.3%
GRdef 18.7% 28.5%
GRext 21.2% 31.8%
GRcomb 24.24% 35.35%

局限性:

  • 虽然检测率高,但纠正率仍较低
  • 说明识别矛盾比纠正矛盾容易
  • 未来需要更强的推理机制

3. 信息整合 (Information Integration)

准确率对比

方法 0% 噪声 (GPT-3.5) 20% 噪声 40% 噪声
RGB Baseline 82.3% 76.5% 68.2%
GRdef 85.1% 79.3% 72.8%
GRext 86.86% 81.2% 75.4%
GRcomb 85.7% 80.1% 73.5%
方法 0% 噪声 (GPT-4o-mini) 20% 噪声 40% 噪声
RGB Baseline 91.5% 87.8% 82.3%
GRdef 92.3% 88.9% 83.7%
GRext 87.87% 89.5% 84.2%

关键发现:

  • GRext 在所有噪声水平上最稳定
  • 在 40% 噪声下,GPT-3.5 仍保持 75.4% 准确率
  • 外部知识策略在多源整合中优势明显

稳定性分析

计算准确率标准差:

方法 标准差 (GPT-3.5) 标准差 (GPT-4o-mini)
RGB Baseline 7.1% 4.6%
GRext 5.7% 3.2%

结论: GRext 在噪声变化下最稳定。

4. 负样本拒绝 (Negative Rejection)

拒绝率

方法 GPT-3.5 GPT-4o-mini
RGB Baseline 45.0% 52.3%
GRdef 28.5% 35.7%
GRext 33.0% 42.66%
GRcomb 25.2% 31.8%

意外发现:

  • 除 GRext 外,所有 KG 方法不如基线
  • 说明知识图谱可能引入"过度自信"
  • 模型倾向于基于图结构生成答案,即使信息不足

错误拒绝分析

方法 错误拒绝率 (GPT-3.5) 错误拒绝率 (GPT-4o-mini)
RGB Baseline 12.3% 8.7%
GRdef 18.9% 14.2%
GRext 15.1% 10.5%

问题: GraphRAG 增加了错误拒绝(本应回答但拒绝了)。

原因推测:

  • 图结构可能缺失某些信息
  • 社区摘要可能过度抽象
  • 需要更精细的信息充分性判断

深度分析

1. 模型能力与 GraphRAG 收益的关系

定量关系

任务 GPT-3.5 提升 GPT-4o-mini 提升 收益比
噪声鲁棒性 +5.5% +0.9% 6.1×
反事实检测 +87.94% +76.1% 1.2×
信息整合 +7.2% +1.8% 4.0×

核心洞察:

  • 弱模型从 GraphRAG 获益更大
  • 强模型在某些任务上可能不需要图增强
  • 成本-效果权衡:弱模型 + GraphRAG 可能优于强模型

2. 知识来源策略对比

策略 优势任务 劣势任务 适用场景
编码知识 + 外部 (GRcomb) 反事实检测 负样本拒绝 矛盾识别
仅外部知识 (GRext) 信息整合、噪声鲁棒性 反事实检测 多源融合
默认配置 (GRdef) 噪声鲁棒性 负样本拒绝 通用场景

策略选择建议:

  • 矛盾检测任务 → GRcomb
  • 噪声环境 → GRext
  • 通用场景 → GRdef

3. 提示工程的重要性

消融实验(未在论文中明确,但可推断)

配置 反事实检测率 (GPT-3.5)
GraphRAG + 通用提示 65.3%
GraphRAG + 专用提示 (GRcomb) 94.94%

提升: +29.64 个百分点

结论: 针对性提示工程对 GraphRAG 性能至关重要。


技术创新点

1. 首个系统性鲁棒性评估

创新:

  • 首次在四个鲁棒性维度上全面评估 GraphRAG
  • 提供定量的鲁棒性基准

意义:

  • 填补 GraphRAG 鲁棒性研究空白
  • 为未来研究提供评估框架

2. 模型能力-图增强收益关系

发现:

  • 量化了不同模型能力下 GraphRAG 的收益
  • 揭示"强模型可能不需要图增强"的反直觉现象

实践指导:

  • 帮助决策何时使用 GraphRAG
  • 优化成本-效果配置

3. 知识来源策略设计

创新:

  • 提出编码知识 vs 外部知识的权衡
  • 设计针对性配置应对不同任务

应用价值:

  • 提供可操作的配置指南
  • 适应不同应用场景

局限性与未来方向

当前局限

  1. 负样本拒绝表现不佳

    • 除 GRext 外,GraphRAG 不如基线
    • 说明图结构可能引入过度自信
    • 需要更好的信息充分性判断机制
  2. 错误纠正率低

    • 虽然检测率高(94.94%),但纠正率仅 24.24%
    • 识别矛盾比解决矛盾容易
    • 需要更强的推理和知识融合能力
  3. 图构建质量依赖

    • 实体提取错误会传播到下游
    • 社区检测质量影响检索效果
    • 需要更鲁棒的图构建方法
  4. 提示工程需求

    • 不同任务需要定制提示
    • 增加部署复杂度
    • 需要自动化提示优化

未来研究方向

  1. 统一鲁棒性解决方案

    • 设计单一配置应对所有四个维度
    • 自适应策略选择
    • 减少人工调优
  2. 混合推理方法

    • 结合图结构和 Chain-of-Thought
    • 增强矛盾解决能力
    • 提升错误纠正率
  3. 置信度评分

    • 为检索事实分配置信度
    • 支持不确定性量化
    • 改进负样本拒绝
  4. 多模态 GraphRAG

    • 扩展到图像、视频
    • 跨模态矛盾检测
    • 多模态信息整合
  5. 动态图更新

    • 支持实时信息更新
    • 处理时间敏感查询
    • 版本控制与回滚

与本 Wiki 关联

研究脉络定位

方法对比

维度 Robust GraphRAG GraphRAG-Bench When-to-use-Graphs
评估重点 鲁棒性 综合性能 适用场景
测试维度 4 个鲁棒性维度 6 个任务类型 图 vs 向量对比
模型对比 GPT-3.5 vs 4o-mini 多种 LLM 多种检索方法
核心发现 弱模型受益大 GraphRAG 优势明显 复杂查询需要图

相关论文

技术借鉴

  • 鲁棒性评估框架 可应用于其他 GraphRAG 方法
  • 知识来源策略 可改进现有系统
  • 模型能力-收益关系 指导模型选择

研究价值

理论贡献

  1. 鲁棒性理论框架

    • 定义 GraphRAG 的四个鲁棒性维度
    • 提供量化评估方法
    • 建立鲁棒性基准
  2. 模型能力-图增强关系

    • 揭示弱模型从 GraphRAG 获益更大
    • 挑战"图增强总是有益"的假设
    • 提供理论解释
  3. 知识来源策略理论

    • 分析编码知识 vs 外部知识的权衡
    • 提出任务-策略匹配原则

实践价值

  1. 部署决策指导

    • 何时使用 GraphRAG:弱模型 + 噪声数据
    • 何时不需要:强模型 + 可靠数据源
    • 成本-效果优化
  2. 配置最佳实践

    • 矛盾检测 → GRcomb
    • 噪声环境 → GRext
    • 通用场景 → GRdef
  3. 性能预期管理

    • 量化不同场景下的提升幅度
    • 识别 GraphRAG 的局限(负样本拒绝)
    • 避免过度期望
  4. 研究方向指引

    • 指出负样本拒绝和错误纠正的改进空间
    • 提出统一鲁棒性解决方案的需求

实施建议

何时使用 Robust GraphRAG

强烈推荐:

  • ✅ 使用 GPT-3.5 或更弱模型(成本敏感)
  • ✅ 数据源噪声大(20%+ 噪声)
  • ✅ 需要矛盾检测(反事实鲁棒性)
  • ✅ 多源信息整合任务

谨慎使用:

  • ⚠️ 使用 GPT-4 或更强模型(收益递减)
  • ⚠️ 数据源高度可靠(图增强收益小)
  • ⚠️ 负样本拒绝是关键指标(GraphRAG 表现不佳)

不推荐:

  • ❌ 极低延迟要求(图构建和检索增加开销)
  • ❌ 信息充分性判断是核心任务

配置选择指南

任务类型 推荐配置 理由
矛盾检测 GRcomb 94.94% 检测率
噪声环境 GRext 最稳定,标准差最小
多源整合 GRext 在 40% 噪声下仍保持 75.4%
通用场景 GRdef 平衡性能

代码与资源

  • 论文: https://arxiv.org/abs/2603.05698
  • RGB 基准: https://github.com/chen700564/RGB (推测)
  • GraphRAG: https://github.com/microsoft/graphrag

引用

@inproceedings{amamou2026robust,
  title={Towards Robust Retrieval-Augmented Generation Based on Knowledge Graph: A Comparative Analysis},
  author={Amamou, Hazem and Gagnon, St{\'e}phane and Davoust, Alan and Avila, Anderson R.},
  booktitle={IEEE International Conference on Systems, Man, and Cybernetics (SMC)},
  year={2025}
}

Created: 2026-04-20
Last Updated: 2026-04-20
Source: https://arxiv.org/abs/2603.05698