시간, 실험 조건, 출처, 권한, 버전을 qualifier로 결합한다.
2025–2026 RESEARCH LANDSCAPE
Hyper-Relational Knowledge Graphs for LLM/SLM-based Agentic AI
qualifier, 가변 arity, 시간, provenance, 실행 조건을 포함하는 HRKG가 LLM·SLM 기반 에이전트의 기억, 탐색, 계획, 도구 실행, 검증을 어떻게 확장하는지 최신 연구를 중심으로 분석한다.
단순 이웃 탐색이 아니라 qualifier filter와 비교 연산을 수행한다.
대화 요약을 넘어 실행 가능한 경험 메모리를 구축한다.
구축·추론·계획·검증·기억을 통합한 시스템이 부족하다.
핵심 개념 정의
1.1 전통적 Knowledge Graph
전통적 KG에서 하나의 사실은 head, relation, tail로 구성된 삼중항으로 표현된다.
\[f=(h,r,t)\]
Imatinib
inhibits
BCR-ABL
이 표현은 약물과 표적 사이의 관계는 표현하지만 어떤 실험·농도·생물종·세포주·출처에서 측정됐는지는 표현하지 못한다.
1.2 Hyper-Relational Knowledge Graph
HRKG는 기본 삼중항에 하나 이상의 qualifier relation–value pair를 추가한다.
\[f=((h,r,t),Q),\qquad Q=\{(qr_1,qv_1),\dots,(qr_m,qv_m)\}\]
Imatinib
inhibits
BCR-ABL
assayType = bindingIC50 = 25unit = nMspecies = humancellLine = K562source = PubMedmeasuredAt = 2024-05-17
핵심 의미. qualifier는 부가 장식이 아니라 주장의 적용 범위와 유효 조건을 결정한다.
1.3 N-ary KG, Hypergraph, HRKG의 차이
N
N-ary Knowledge Graph
하나의 사실이 둘보다 많은 참여자를 가진다. Employment(Person, Organization, Position, StartDate, EndDate) 같은 사건 중심 표현에 적합하다.
H
Knowledge Hypergraph
하나의 hyperedge가 여러 노드를 동시에 연결한다. 참여자의 대칭성이 높거나 role로 구분되는 사실에 적합하다.
HR
Hyper-Relational KG
중심 triple을 유지하고 나머지 정보를 qualifier로 부착한다. 기존 triple KG와 호환성이 높다.
1.4 Qualifier 유형
| 범주 | 예시 | Agentic AI에서의 의미 |
|---|---|---|
| 시간 | start time, end time, measured at | 현재 유효성, 실행 가능 시간 판단 |
| 공간 | location, jurisdiction, region | 지역·법역별 적용 범위 판단 |
| 실험 조건 | assay type, dose, temperature, pH | 증거의 조건 호환성 평가 |
| 출처 | publication, database, sensor, agent | provenance와 신뢰도 추적 |
| 불확실성 | confidence, probability, evidence level | 승격·재검증·인간 검토 판단 |
| 역할 | buyer, seller, investigator, approver | 행동 주체와 책임 구분 |
| 정책 | permission, license, regulatory status | 권한·규정 준수 검사 |
| 버전 | model, software, protocol version | 실행 재현성과 결과 비교 |
| 상태 | proposed, verified, rejected, superseded | 지식 생명주기와 truth maintenance |
1.5 Agentic Hyper-Relational Knowledge Graph
Agentic HRKG는 도메인 사실뿐 아니라 관찰, 계획, 행동, 도구 호출, 결과, 검증, 실패, 권한, 출처를 qualifier를 포함한 조건부 사실로 저장하고, LLM/SLM 에이전트가 이를 능동적으로 탐색·수정·검증하는 동적 지식 시스템이다.
World Fact
\(((Drug,inhibits,Target),Q_{experimental})\)
Action Fact
\(((Agent,executed,Tool),Q_{execution})\)
Epistemic Fact
\(((Agent,believes,Claim),Q_{evidence})\)
통합 문제 정의
사용자 목표, 환경 상태, Hyper-Relational KG, 도구 집합, LLM/SLM, 정책·온톨로지 제약이 주어졌을 때 에이전트는 조건 호환성을 유지하면서 검색, 추론, 계획, 실행, 검증, 메모리 갱신을 수행해야 한다.
\[\pi^*=\arg\max_{\pi}\mathbb{E}[U_{task}-\lambda_1C_{compute}-\lambda_2R_{risk}-\lambda_3H_{hallucination}-\lambda_4L_{context}-\lambda_5V_{qualifier}]\]
Qualifier violation. 필수 qualifier 누락, 시간 불일치, 출처 부재, 단위 혼합, 권한 초과, 상호 배타적 조건의 결합을 의미한다.
기존 KG Agent와의 차이
KG
일반 KG Agent
어떤 엔티티와 관계를 따라가면 답에 도달하는가를 결정한다.
HR
HRKG Agent
그 관계가 어떤 조건에서 성립하고 현재 목표의 조건과 호환되는지를 함께 판단한다.
핵심 하위 문제
1
Construction
텍스트·DB·센서·도구 로그에서 main triple과 qualifier를 함께 추출한다.
2
Retrieval
질문의 qualifier 조건을 만족하는 hyper-relational fact를 검색한다.
3
Conditional Reasoning
시간·공간·실험 조건·출처에 따라 달라지는 주장을 추론한다.
4
Planning
도구 선행조건, 권한, 실행 환경, 버전을 qualifier로 반영한다.
5
Memory Update
새 관찰이 기존 사실을 보완·충돌·대체하는지 결정한다.
6
Verification
결론이 사용된 qualifier와 provenance에 충실한지 검사한다.
핵심 연구 개념
1
Main-triple–Qualifier Interaction
주 triple과 qualifier는 독립적인 정보가 아니라 하나의 fact representation으로 융합돼야 한다.
\[z_f=Fuse(z_h,z_r,z_t,Aggregate\{z_{qr_i},z_{qv_i}\})\]
2
Intra-fact / Inter-fact Reasoning
Intra-fact: 한 사실 내부의 qualifier 상호작용을 분석한다.
Inter-fact: 여러 사실 사이의 조건 차이와 공통 구조를 비교한다.
3
Qualifier-aware Message Passing
메시지 계산에 main subject/object, relation, qualifier pair, fact 내부 role을 함께 반영한다.
\[m_{f\to e}=\phi(h_h,h_r,h_t,\{h_{qr_i},h_{qv_i}\},role(e,f))\]
4
Structural Invariance
구체적인 entity ID보다 main triple, qualifier, fact 간 연결 패턴을 학습해 신규 도구·관계·개체에 일반화한다.
5
Temporal Qualifiers
시간 유효성을 since, until, period, time-invariant로 구분해 사실의 현재 적용 가능성을 판단한다.
\[since(t_s),\ until(t_e),\ period(t_s,t_e),\ time\text{-}invariant\]
6
Qualifier-aware Provenance
source, observedBy, method, modelVersion, timestamp, confidence, verificationStatus를 함께 저장한다.
7
Executable Agent Memory
행동, 입력, 도구 버전, seed, runtime, 결과, 검증 상태를 하나의 재현 가능한 실행 기록으로 보존한다.
8
Hyper-relational Retrieval
질의와 관련된 fact뿐 아니라 qualifier compatibility를 만족하는 fact만 선택한다.
\[G_q^H=\{f\in G^H\mid Rel(f,q)>\theta\land Compatible(Q_f,C_q)\}\]
9
Fact Generation
단일 missing entity 예측을 넘어 여러 요소의 동시 복원과 전체 hyper-relational fact 생성을 수행한다.
10
Epistemic Status
observed, extracted, inferred, generated, verified를 구분해 추론 사실과 관찰 사실을 혼동하지 않는다.
연구 패러다임의 변화
Triple KG
관계 중심 표현. 사실은 \(h\xrightarrow{r}t\)로 축약된다.
Context-bearing Fact
관계와 qualifier를 하나의 의미 단위로 취급한다. 조건이 사실의 의미를 결정한다.
Fact Understanding
link prediction을 넘어 귀납 추론, 시간 유효성, 다중 요소 복원, 전체 fact 생성을 수행한다.
Agentic Interaction
에이전트가 HRKG를 탐색하고 행동하며 관찰 결과를 검증한 뒤 그래프를 갱신한다.
Goal
Qualifier-aware Retrieval
Reasoning
Action
Observation
Verification
HRKG Update
2025–2026년 연구는 MAYPL의 구조 중심 학습, MetaNIR의 귀납 추론, VITA의 시간 표현, THOR의 fully inductive transfer, KREPE의 생성적 fact modeling으로 문제 범위를 확장했다.
왜 Agentic AI에 HRKG가 필요한가
1
Decontextualization 방지
LLM과 일반 RAG가 “특정 조건에서 효과”를 “효과가 있다”로 압축하는 문제를 줄인다.
2
조건부 행동 계약
capability, precondition, permission, context를 qualifier로 결합해 실행 가능성을 판단한다.
3
LLM의 구조적 약점 보완
긴 context에서 조건을 놓치는 문제를 필수 qualifier, 단위, 시간, 출처 검증으로 보완한다.
4
SLM의 실용성 확대
qualifier parsing, 정규화, 쿼리 생성, schema validation 같은 제한된 작업을 전문 SLM에 배분할 수 있다.
5
과학 의사결정의 조건 의존성
약물 효능, 재료 성능, 모델 성능은 assay, dose, 온도, dataset, seed, version에 의존한다.
6
감사와 재현성
누가 어떤 도구와 버전으로 무엇을 실행했는지 구조화해 결과 재현과 책임 추적을 가능하게 한다.
핵심 기술적 난제
1
Qualifier Schema Heterogeneity
동일 의미가 서로 다른 qualifier 이름으로 표현되며 ontology alignment와 canonicalization이 필요하다.
2
Variable Arity
사실마다 qualifier 수가 다르고 one-to-many qualifier pattern을 처리해야 한다.
3
Qualifier Explosion
모든 실행 조건을 저장하면 context와 계산량이 급증하므로 query-specific qualifier view가 필요하다.
4
Information Compression
qualifier 집합을 하나의 벡터로 단순 평균하면 role–value correspondence와 상충 조건을 잃는다.
5
Long-range Dependency
멀리 떨어진 실험, 반대 증거, 승인 상태를 비교해야 하므로 local message passing만으로 부족하다.
6
Temporal Consistency
과거 사실과 현재 사실을 구분하고 valid time과 supersession을 관리해야 한다.
7
Inductive Generalization
신규 도구, 관계, qualifier, entity type이 계속 등장하는 환경에 일반화해야 한다.
8
LLM Serialization
긴 HRKG 구조를 token sequence로 변환할 때 qualifier 순서와 pair correspondence가 손상될 수 있다.
9
Hallucinated Qualifiers
LLM이 원문에 없는 날짜, 단위, confidence를 추정해 삽입할 수 있다.
10
Qualifier-aware Query Planning
relation traversal과 qualifier filter·비교·집계를 함께 결정해야 해 행동 공간이 커진다.
11
Truth Maintenance
동일 triple의 차이를 논리 모순, 시간 차이, 조건 차이, 단위 오류, 버전 대체로 분류해야 한다.
12
Scalability
계산량은 fact 수뿐 아니라 전체 qualifier 수에 비례하므로 indexing, partition, cache, incremental update가 필요하다.
13
Security
verified, source, permission, confidence 같은 qualifier 조작이 의사결정을 왜곡할 수 있다.
14
Evaluation Gap
MRR과 Hits@K만으로 qualifier 충실도, 실행 유효성, 오염률, 비용을 평가할 수 없다.
\[C\approx O\left(|F|+\sum_{f\in F}|Q_f|\right)\]
핵심 연구질문
RQ1
Hyper-relational Information Extraction
명시된 qualifier와 모델이 추론한 qualifier를 어떻게 구분할 것인가?
RQ2
Qualifier Selection
현재 목표에 필요한 최소 충분 qualifier 집합을 어떻게 선택할 것인가?
RQ3
Qualifier-aware Retrieval
의미적 관련성뿐 아니라 조건 호환성을 만족하는 fact를 어떻게 검색할 것인가?
RQ4
Structural Generalization
미관측 entity, relation, qualifier type, fact pattern에 어떻게 일반화할 것인가?
RQ5
Agentic Fact Generation
과학적 가설과 다음 조사 대상을 완전한 hyper-relational fact로 생성할 수 있는가?
RQ6
Temporal Truth Maintenance
현재 유효한 사실과 역사적 사실을 어떻게 분리할 것인가?
RQ7
Qualifier-aware Planning
선행조건, 권한, 도구 버전, 실행 환경을 계획 탐색에 어떻게 통합할 것인가?
RQ8
Multi-Agent Epistemic Alignment
서로 다른 confidence와 evidence를 가진 에이전트의 주장을 어떻게 병합할 것인가?
RQ9
Counter-Evidence
지지·반대 qualifier를 함께 검색해 confirmation bias를 줄일 수 있는가?
RQ10
SLM–LLM–GNN Routing
parsing, traversal, hypothesis, verification을 어떤 모델에 배분할 것인가?
RQ11
Explainability
어떤 qualifier가 결론을 바꿨는지 설명할 수 있는가?
RQ12
Unified Benchmark
구축, 검색, 추론, 계획, 실행, 기억 갱신을 하나의 환경에서 어떻게 평가할 것인가?
대표 접근법과 최신 방법론
8.1 표현 방식
Native Qualifier
기본 triple과 qualifier pair를 그대로 유지한다. 의미 보존과 RDF-star 호환성이 높다.
Reification
statement node를 생성하고 subject, predicate, object, qualifier를 연결한다.
Hyperedge
fact 전체를 하나의 hyperedge로 표현한다. 고차 상호작용에 유리하다.
Role–Value
여러 role–value pair로 사실을 표현한다. N-ary event에 적합하다.
MAYPL
ICML 2025Structure Is All You Need. fact-level message computation, entity-centric aggregation, relation-centric aggregation, structure-based initialization을 결합한다.
텍스트 의미에 과도하게 의존하지 않고 qualifier 포함 구조 자체에서 강한 추론 신호를 학습한다.
FormerGNN
CIKM 2025HKG를 triple KG로 분해할 때 발생하는 topology 변경과 qualifier 정보 손실을 분석한다.
qualifier integrator, topology-preserving representation, GNN long-range encoder, 개선된 fusion을 결합한다.
DHRL4HKG
Dual Hypergraphintra-hypergraph와 inter-hypergraph를 분리해 fact 내부 고차 상호작용과 fact 간 구조를 함께 학습한다.
동일 qualifier relation에 여러 value가 연결되는 one-to-many 구조를 명시적으로 다룬다.
VITA
Temporal HRKGsince, until, period, time-invariant를 통합해 시간값과 지속기간을 함께 학습한다.
정책 유효기간, 모델 버전 사용기간, 도구 가용 시간, 사실 최신성에 적용할 수 있다.
MetaNIR
COLING 2025meta-learning과 GNN을 결합해 unseen entity와 unseen role의 representation을 적응적으로 생성한다.
신규 API, 도구, 업무 역할이 지속적으로 등장하는 Agentic AI에 적합한 귀납성을 제공한다.
THOR
Fully Inductiverelation foundation graph와 entity foundation graph를 구성하고 vocabulary-independent interaction pattern을 학습한다.
\[(G_R^F,G_E^F)\rightarrow Parallel\ Graph\ Encoders\rightarrow Transformer\ Decoder\]
KREPE
ICML 2026masked discrete diffusion으로 임의 mask pattern completion, 다중 구성요소 복원, 전체 fact generation을 통합한다.
Agentic AI에서는 후보 가설 생성 → 에이전트 검증 → 도구 실행으로 연결할 수 있다.
HEHRGNN
Unified HEHR참여자가 대칭적인 hyperedge와 중심 triple·qualifier가 분리되는 hyper-relational edge를 통합한다.
Topic-Driven HRKG
ICANN 2025질문 topic 중심의 hyper-relational fact를 검색하고 관련성이 낮은 사실을 제거하며, 누락 지식을 adaptive reconstruction으로 보완한다.
Wikontic
LLM + Ontology ConstraintLLM이 qualifier 포함 후보 사실을 추출한 뒤 Wikidata type·relation constraint, entity normalization, 중복 제거를 적용한다.
LLM을 자유 생성기가 아니라 ontology-constrained proposer로 사용하는 접근이다.
KG-Agent
ACL 2025small LLM, KG toolbox, executor, memory, iterative tool selection을 결합한다.
get_main_relations(entity)
get_qualifier_relations(fact)
filter_by_qualifier(relation, operator, value)
compare_fact_conditions(fact_a, fact_b)
get_valid_facts(time)
trace_provenance(fact)
find_counter_evidence(claim)RefKG
Reflective Reasoningquery decoupling, LLM-driven exploration, knowledge reconstruction을 결합한다.
HRKG에서는 qualifier 누락, 시간·단위 불일치, 출처 편향, 반대 증거 부재를 점검하는 반성 단계로 확장할 수 있다.
MemQ
Reasoning / Tool Separation자연어 reasoning과 query reconstruction을 분리해 hallucinated tool invocation을 줄인다.
\[Natural\text{-}language\ intent\rightarrow Qualifier\text{-}aware\ query\ plan\rightarrow Executable\ query\]
Search-on-Graph
KDD 2026observe–think–navigate 방식으로 현재 가능한 relation을 관찰한 뒤 다음 hop을 선택한다.
HRKG에서는 relation뿐 아니라 available qualifier를 함께 관찰하는 방식으로 확장할 수 있다.
| 연구 | 핵심 초점 | HRKG 역할 | Agentic AI 시사점 |
|---|---|---|---|
| MAYPL | 구조적 표현학습 | fact-level qualifier message | 이름이 달라도 실행 구조 일반화 |
| FormerGNN | topology와 장거리 의존성 | qualifier 통합 + graph encoder | 조건 통합 후 장거리 reasoning |
| DHRL4HKG | intra/inter-fact | dual hypergraph | 실험 내부·실험 간 비교 분리 |
| VITA | 시간 유효성 | temporal qualifier | 현재 유효한 사실만 사용 |
| MetaNIR | 귀납 학습 | unseen entity/role | 신규 도구·업무 역할 대응 |
| THOR | fully inductive transfer | foundation graph | 새 vocabulary에서도 구조 추론 |
| KREPE | 생성적 fact modeling | masked diffusion | 가설 생성과 실험 계획 연결 |
| Wikontic | LLM 기반 구축 | ontology-constrained extraction | qualifier hallucination 완화 |
| KG-Agent | 자율 그래프 탐색 | toolbox + memory | SLM 중심 실행 제어 |
Qualifier-Aware Agentic HRKG 아키텍처
1. Goal Grounding
목표를 entities, relations, qualifier constraints, desired action, risk level로 분해한다.
2. Hyper-relational Retrieval
entity, relation, qualifier, provenance, time score를 결합해 후보 fact를 검색한다.
3. Structural Reasoning
GNN, hypergraph encoder, temporal engine, rule engine이 후보 경로와 fact를 평가한다.
4. LLM / SLM Reasoning
SLM은 parsing·query·validation을, LLM은 목표 분해·가설·상충 증거 해석을 담당한다.
5. Planning
행동을 precondition, tool, permission, expected output, risk, deadline이 포함된 action fact로 표현한다.
6. Execution
도구 실행 결과를 입력·버전·seed·runtime·status가 포함된 structured observation으로 반환한다.
7. Verification
schema, qualifier completeness, provenance, time, unit, contradiction, policy를 검사한다.
8. Memory Update
insert, merge, qualify, supersede, reject, quarantine 중 적절한 갱신 연산을 선택한다.
\[S(f,q)=\alpha S_{entity}+\beta S_{relation}+\gamma S_{qualifier}+\delta S_{provenance}+\epsilon S_{time}\]
주요 응용 분야
1
신약개발
assay-compatible hit selection, 단위·endpoint 정렬, 약물–표적–질환 추론, counter-evidence, ADMET 필터링을 지원한다.
2
과학 실험 에이전트
온도, 압력, 장비, protocol, operator, batch, uncertainty를 조건으로 다음 실험을 계획한다.
3
의료 의사결정
환자 집단, 연령, 동반 질환, 용량, 임상 단계, 근거 수준, 가이드라인 버전을 함께 고려한다.
4
사이버 보안
timestamp, protocol, port, severity, attack stage, sensor, confidence를 포함한 alert reasoning을 수행한다.
5
제조·로보틱스
capability, attachment, payload, 위치, 안전 상태, 에너지, 우선순위에 따라 행동 가능성을 판단한다.
6
금융·법률
jurisdiction, effective date, transaction type, threshold, exception, source law를 조건으로 규칙 적용을 판단한다.
7
Enterprise Workflow
직원 역할, 데이터 민감도, API 버전, 승인 조건, 감사 로그, 정책 유효기간을 관리한다.
8
장기 개인화 에이전트
사용자 선호를 context, location, time, companions, confidence, lastConfirmed와 함께 저장한다.
미해결 연구문제
1
범용 Agentic HRKG의 부재
구축, retrieval, planning, tool execution, temporal maintenance, provenance, memory update를 통합한 시스템이 부족하다.
2
Qualifier Ontology 자동 진화
신규 qualifier가 기존 개념과 동일·하위·신규인지 판별하기 어렵다.
3
Qualifier Importance
task-conditioned importance를 학습해 현재 목표에 중요한 qualifier만 선택해야 한다.
4
Counterfactual HRKG
qualifier 하나를 바꿨을 때 결론이 어떻게 달라지는지 추론해야 한다.
5
Causal HRKG
관찰적 상관과 인과 주장을 study design, intervention, control, confounder로 구분해야 한다.
6
Proof-carrying Fact
source span, query trace, graph path, tool output, validation result, signature를 함께 제공해야 한다.
7
Continual Learning & Forgetting
어떤 qualifier와 사실을 유지·요약·archive·supersede·삭제할지 결정해야 한다.
8
End-to-End Benchmark
불완전 HRKG, qualifier 오염, 시간 변화, 상충 주장, 도구 실패, 권한 제약을 함께 평가해야 한다.
미래 연구 방향
1
HRKG as Agent World Model
모든 관찰과 행동을 qualifier를 포함한 상태 변화로 기록하는 동적 세계모델로 발전한다.
2
HRKG as Executable Memory
과거 경험을 Action + Conditions + Result + Evidence로 저장하고 조건이 유사한 실행만 복원한다.
3
Qualifier-aware SLM Swarms
추출, 정규화, query, planning, verification을 전문 SLM이 분담하고 LLM이 전역 조정한다.
4
Hybrid Neural–Symbolic HRKG
LLM, SLM, GNN, rule engine, temporal engine, graph DB, verifier를 역할별로 결합한다.
5
Generative HRKG Agent
candidate fact generation을 실험 계획과 도구 관찰로 검증해 과학적 가설 탐색을 자동화한다.
6
Counter-Evidence Retrieval
지지, 반대, 조건부 증거를 함께 검색하고 결론이 무너지는 조건을 제시한다.
7
Multi-Agent Epistemic HRKG
에이전트별 믿음, confidence, evidence, verification status를 별도로 보존해 evidence-weighted consensus를 수행한다.
8
Privacy-aware Qualifiers
역할과 권한에 따라 동일 fact의 qualifier view를 다르게 투영한다.
9
Qualifier Compiler
자연어·온톨로지 qualifier를 graph query, tool precondition, API schema, validation rule로 컴파일한다.
10
Unified Evaluation
task success, fact accuracy, qualifier faithfulness, provenance, time, recovery, cost, risk를 통합한다.
\[Score=\alpha TaskSuccess+\beta FactAccuracy+\gamma QualifierFaithfulness+\delta ProvenanceValidity+\epsilon TemporalConsistency+\zeta RecoveryAbility-\eta Cost-\theta Risk\]
종합 결론
1
Link Prediction → Fact Generation
단일 누락 요소 예측에서 다중 구성요소 복원과 전체 fact 생성으로 이동한다.
2
Qualifier → 핵심 추론 조건
시간, 출처, 실험 조건, 권한, 버전이 사실의 적용 가능성을 결정한다.
3
LLM → 구축자·탐색자·검증자
LLM은 HRKG를 소비하는 데 그치지 않고 qualifier 추출, query, reconstruction, reflection에 참여한다.
4
SLM → 구조화된 전문 실행기
qualifier schema와 graph toolbox가 잘 정의될수록 SLM이 안정적으로 하위 작업을 처리한다.
Agentic HRKG의 궁극적 목표는 더 풍부한 그래프를 만드는 데 그치지 않는다. 에이전트가 사실과 조건을 분리하지 않고, 행동과 근거를 함께 기억하며, 현재 상황에 유효한 지식만 사용하고, 자신의 결론이 성립하는 조건과 무너지는 조건까지 설명할 수 있게 만드는 것이 핵심이다.
주요 참고 논문 및 URL
제목, 학회, 키워드로 검색할 수 있다.
1. Structure Is All You Need: Structural Representation Learning on Hyper-Relational Knowledge Graphs — ICML 2025https://proceedings.mlr.press/v267/lee25ah.html
2. Understanding the Embedding Models on Hyper-relational Knowledge Graph — CIKM 2025https://arxiv.org/abs/2508.03280
3. A Survey of Link Prediction in N-ary Knowledge Graphs — EMNLP 2025https://arxiv.org/abs/2506.08970
4. Inductive Link Prediction in N-ary Knowledge Graphs — COLING 2025https://aclanthology.org/2025.coling-main.595/
5. VITA: Versatile Time Representation Learning for Temporal Hyper-Relational Knowledge Graphshttps://arxiv.org/abs/2505.11803
6. DHRL4HKG: A Dual-Hypergraph Representation Learning for Hyper-Relational Knowledge Graphshttps://www.sciencedirect.com/science/article/pii/S0950705125009323
7. THOR: Inductive Link Prediction over Hyper-Relational Knowledge Graphshttps://arxiv.org/abs/2602.05424
8. Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion — ICML 2026https://arxiv.org/abs/2605.24064
9. HEHRGNN: A Unified Embedding Model for Knowledge Graphs with Hyperedges and Hyper-Relational Edgeshttps://arxiv.org/abs/2602.18897
10. AlertStar: Path-Aware Alert Prediction on Hyper-Relational Knowledge Graphshttps://arxiv.org/abs/2604.03104
11. Topic-Driven Hyper-relational Knowledge Graphs with Adaptive Reconstruction for Multi-hop Question Answering Using LLMs — ICANN 2025https://link.springer.com/chapter/10.1007/978-3-032-04549-2_11
12. Wikontic: Constructing Wikidata-Aligned, Ontology-Aware Knowledge Graphs with Large Language Modelshttps://arxiv.org/abs/2512.00590
13. KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning over Knowledge Graph — ACL 2025https://aclanthology.org/2025.acl-long.468/
14. Reflection on Knowledge Graph for Large Language Models Reasoning — Findings of ACL 2025https://aclanthology.org/2025.findings-acl.1221/
15. Memory-augmented Query Reconstruction for LLM-based Knowledge Graph Reasoning — Findings of ACL 2025https://aclanthology.org/2025.findings-acl.1234/
16. Reasoning of Large Language Models over Knowledge Graphs with Super-Relations — ICLR 2025https://openreview.net/forum?id=rTCJ29pkuA
17. Search-on-Graph: Iterative Informed Navigation for Large Language Model Reasoning on Knowledge Graphs — KDD 2026https://arxiv.org/abs/2510.08825
18. GraphAgents: Knowledge Graph-Guided Agentic AI for Cross-Domain Materials Designhttps://arxiv.org/abs/2602.07491
19. Large Language Models Meet Knowledge Graphs for Question Answering: Synthesis and Opportunities — EMNLP 2025https://aclanthology.org/2025.emnlp-main.1249/