عربي БГ বাংলা ČS DA DE ΕΛ EN ES ET FI FR GA हिन्दी HR HU IT 日本語 LT LV MT NL PL PT RO РУ SK SL SV 中文

Πρόκληση ΤΝ

Σχεδιάστε ένα αποκλειστικά CPU, καθαρά συμβολικό σύστημα Ερωτήσεων/Απαντήσεων του οποίου ο γράφος γνώσης κατασκευάζεται αυτόματα από έγγραφα φυσικής γλώσσας.

Green AI • CPU-only • Συμβολικό • Ερμηνεύσιμο

1. Περίληψη της Πρόκλησης

Η πρόκληση στοχεύει στον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος ερωτήσεων/απαντήσεων (QA) που εκτελείται αποκλειστικά σε CPU, βασισμένου σε καθαρά συμβολική αρχιτεκτονική (λεξικό, γραμματικές, γράφος γνώσης, τυπική λογική). Η ανάπτυξη ολόκληρου του συστήματος καθοδηγείται από κβαντισμένα LLMs ανοιχτών βαρών, εκτελέσιμα σε καταναλωτικό υλικό (i9 CPU, RTX 3090).

Αυτό το έργο εντάσσεται στο κίνημα Green AI (Schwartz et al., 2020) και Frugal AI, σε αντίθεση με τον αγώνα για ολοένα μεγαλύτερα μοντέλα των οποίων το ανθρακικό αποτύπωμα έχει γίνει ανησυχητικό (Kim et al., 2026; Hasan et al., 2025). Αντιμετωπίζει επίσης τις αυξανόμενες απαιτήσεις για διαφάνεια, ερμηνευσιμότητα και κανονιστική συμμόρφωση που επιβάλλονται από τον GDPR και τον Ευρωπαϊκό Κανονισμό ΤΝ (Wagner et al., 2025; Juliussen, 2025).

Πρωτοτυπία: Κανένα υφιστάμενο έργο δεν συνδυάζει ταυτόχρονα τους ακόλουθους περιορισμούς:
  1. Καθαρά συμβολικό σύστημα QA (κανένα νευρωνικό δίκτυο κατά την εκτέλεση)
  2. CPU-only κατά τον χρόνο εκτέλεσης (δεν απαιτείται GPU)
  3. Αυτόματη κατασκευή KG από έγγραφα φυσικής γλώσσας
  4. Ανάπτυξη εξ ολοκλήρου εποπτευόμενη από κβαντισμένα LLMs ανοιχτών βαρών
  5. Εγγενής συμμόρφωση με GDPR/AI Act εκ σχεδιασμού (εγγενής ερμηνευσιμότητα)
  6. Ηθική άδεια (Hippocratic 3.0)

2. Πλαίσιο και Επιστημονική Τοποθέτηση

2.1. Διατύπωση του Προβλήματος

Τα σημερινά συστήματα QA βασίζονται σε μεγάλο βαθμό σε LLMs (GPT, LLaMA, κ.λπ.) που απαιτούν ακριβές GPUs για εκτέλεση, και εγείρουν ζητήματα ψευδαισθήσεων, αναπαραγωγιμότητας, ερμηνευσιμότητας και κυριαρχίας δεδομένων. Λειτουργούν ως μαύρα κουτιά και είναι δύσκολο να συμμορφωθούν με τις απαιτήσεις του Ευρωπαϊκού Κανονισμού ΤΝ (Άρθρο 13) σχετικά με τη διαφάνεια των συστημάτων υψηλού κινδύνου (Wagner, 2025; Boshnjakovski, 2025).

2.2. Τρέχουσα Κατάσταση της Τέχνης

Νευρο-συμβολικές Προσεγγίσεις και KG-QA

Η πρόσφατη βιβλιογραφία συγκλίνει προς την ενσωμάτωση γράφων γνώσης (KG) και συμβολικής συλλογιστικής για την αντιμετώπιση των περιορισμών των καθαρά νευρωνικών προσεγγίσεων:

Αυτόματη Κατασκευή Γράφου Γνώσης

Αποδοτικότητα CPU και Ελαφριές Προσεγγίσεις

Οικολογικός Αντίκτυπος της ΤΝ

Συμμόρφωση με GDPR και Κανονισμό ΤΝ

3. Στόχοι

Κύριος Στόχος

Να αποδειχθεί η σκοπιμότητα και να αξιολογηθεί η απόδοση ενός αποκλειστικά CPU, καθαρά συμβολικού συστήματος QA του οποίου ο γράφος γνώσης κατασκευάζεται αυτόματα από έγγραφα φυσικής γλώσσας.

Δευτερεύοντες Στόχοι

  1. Επίτευξη ανταγωνιστικής απόδοσης σε αναγνωρισμένα KGQA benchmarks.
  2. Μέτρηση και σύγκριση του ενεργειακού αποτυπώματος (CPU έναντι GPU) για απόδειξη του οικολογικού οφέλους.
  3. Απόδειξη της εγγενούς ερμηνευσιμότητας του συστήματος (ιχνηλασιμότητα κάθε απάντησης).
  4. Παροχή αναπαραγώγιμου, τεκμηριωμένου λογισμικού υπό ηθική άδεια.

4. Αρχιτεκτονική & Τεχνικές Προδιαγραφές

4.1. Συνολική Αρχιτεκτονική

Το σύστημα χωρίζεται σε δύο διακριτές φάσεις:

Φάση 1 — Κατασκευή Γράφου Γνώσης (εκτός σύνδεσης, GPU επιτρέπεται)

Έγγραφα ΦΓ → Προεπεξεργασία → NER → Εξαγωγή Σχέσεων → Επίλυση Συναναφοράς
    → Κατασκευή KG (τριπλέτες RDF/OWL) → Αποθήκευση Γράφου

Φάση 2 — Ερωτήσεις/Απαντήσεις (χρόνος εκτέλεσης, αυστηρά CPU-only)

Ερώτηση ΦΓ → Συντακτική/Σημασιολογική Ανάλυση → Μετατροπή σε Τυπικό Ερώτημα
    → Διάσχιση KG → Λογική Συλλογιστική → Παραγωγή Απάντησης
    → Ίχνος Εξήγησης

4.2. Προδιαγραφές Υλικού

ΣτοιχείοΦάση 1 (Κατασκευή KG)Φάση 2 (Εκτέλεση QA)
CPUIntel Core i9 (μέγιστο)Intel Core i9 (μέγιστο)
GPUNVIDIA RTX 3090 (24 GB VRAM)Κανένα (αυστηρά CPU-only)
RAM32 GB (μέγιστο)32 GB (επαρκής)
ΑποθήκευσηNVMe SSDNVMe SSD

Αιτιολόγηση: Η Φάση 1 μπορεί να χρησιμοποιήσει GPU για εκτέλεση κβαντισμένων LLMs ανοιχτών βαρών που εποπτεύουν την κατασκευή του pipeline. Η Φάση 2, που αποτελεί το αναπτυσσόμενο σύστημα, πρέπει να είναι αυστηρά CPU-only για εγγύηση προσβασιμότητας, κυριαρχίας και λιτότητας.

4.3. Περιβάλλον Ανάπτυξης

4.4. Εποπτεία LLM

Η ανάπτυξη του συστήματος καθοδηγείται εξ ολοκλήρου από ένα ή περισσότερα LLMs ανοιχτών βαρών, εκτελέσιμα τοπικά στο καθορισμένο υλικό (Φάση 1). Η επιλογή μοντέλων, κβαντισμού και πλαισίου εκτέλεσης αφήνεται στον συμμετέχοντα.

5. Προτεινόμενη Αρχιτεκτονική Pipeline

Η ακόλουθη ανάλυση παρέχεται ως κατευθυντήρια γραμμή. Οι συμμετέχοντες είναι ελεύθεροι να προτείνουν διαφορετική αρχιτεκτονική, εφόσον πληρούν τους λειτουργικούς περιορισμούς (ενότητες 3, 4 και 12) και τις απαιτήσεις αδειοδότησης (ενότητα 6).

5.1. Προεπεξεργασία Κειμένου

  • Τμηματοποίηση προτάσεων
  • Τεμαχισμός (tokenisation)
  • Λημματοποίηση
  • Μορφοσυντακτική σήμανση (Part-of-Speech)
  • Ανάλυση εξαρτήσεων

5.2. Αναγνώριση Ονομαστικών Οντοτήτων (NER)

  • Ανίχνευση οντοτήτων (πρόσωπα, τοποθεσίες, οργανισμοί, ημερομηνίες, έννοιες)
  • Τυποποίηση οντοτήτων σύμφωνα με οντολογία πεδίου
  • Επίλυση συναναφοράς

5.3. Εξαγωγή Σχέσεων (RE)

  • Εξαγωγή τριπλετών (υποκείμενο, κατηγόρημα, αντικείμενο) από κείμενο
  • Ανοιχτή ή καθοδηγούμενη από μοτίβα εξαγωγή

5.4. Κατασκευή Γράφου Γνώσης

  • Κανονικοποίηση και συγχώνευση οντοτήτων (entity linking)
  • Κατασκευή και αποθήκευση γράφου (τριπλέτες)
  • Εμπλουτισμός μέσω εξαγωγής σιωπηρών σχέσεων
  • Επικύρωση και καθαρισμός γράφου

5.5. Κατανόηση Ερωτήσεων

  • Συντακτική ανάλυση της ερώτησης φυσικής γλώσσας
  • Αναγνώριση τύπου ερώτησης (ποιος, τι, πού, πότε…)
  • Εξαγωγή αναφερόμενων οντοτήτων και σχέσεων
  • Μετατροπή σε τυπικό ερώτημα στον γράφο

5.6. Συλλογιστική & Αναζήτηση Απάντησης

  • Διάσχιση γράφου γνώσης (πολυ-βηματική συλλογιστική)
  • Λογική επίλυση και κατάταξη υποψήφιων απαντήσεων

5.7. Παραγωγή Απαντήσεων & Εξηγήσεις

  • Διατύπωση απάντησης σε φυσική γλώσσα
  • Πλήρες ίχνος εξήγησης: διαδρομή στο KG, εφαρμοσθέντες κανόνες, εμπλεκόμενες οντότητες και σχέσεις, εμπιστοσύνη/πληρότητα

6. Περιορισμοί Αδειοδότησης

6.1. Hippocratic License 3.0 (HL3)

Το τελικό λογισμικό θα δημοσιευθεί υπό Hippocratic License 3.0 (firstdonoharm.dev). Αυτή η άδεια:

6.2. Συμβατότητα Εξαρτήσεων

ΆδειαΣυμβατή με HL3Παραδείγματα
MIT✅ Ναι—
BSD (2/3-clause)✅ Ναι—
Apache 2.0✅ Ναι—
ISC / CC0✅ Ναι—
GPL v2/v3⚠️ Πιθανώς ασύμβατη—
AGPL❌ Πιθανώς ασύμβατη—

6.3. Προτεινόμενες Προαιρετικές Ενότητες HL3

7. Κανονιστική Συμμόρφωση

7.1. GDPR

Αρχή GDPRΥλοποίηση
Ελαχιστοποίηση δεδομένων (Άρ. 5.1.γ)Το KG αποθηκεύει μόνο σχετικές εξαχθείσες τριπλέτες, όχι ακατέργαστα προσωπικά δεδομένα.
Δικαίωμα εξήγησης (Άρ. 22 + αιτιολογική σκέψη 71)Πλήρες ίχνος εξήγησης για κάθε απάντηση.
Δικαίωμα διαγραφής (Άρ. 17)Δυνατότητα διαγραφής οντοτήτων/τριπλετών από το KG.
Προστασία ιδιωτικότητας εκ σχεδιασμού (Άρ. 25)Κανένα ευαίσθητο δεδομένο στο KG χωρίς τεκμηριωμένη αναγκαιότητα.
Καμία αυτοματοποιημένη κατάρτιση προφίλ (Άρ. 22)Το σύστημα δεν λαμβάνει αυτοματοποιημένες αποφάσεις για φυσικά πρόσωπα.

7.2. Ευρωπαϊκός Κανονισμός ΤΝ

Απαίτηση Κανονισμού ΤΝΣυμμόρφωση
Διαφάνεια (Άρ. 13)Εγγενώς ερμηνεύσιμη συμβολική αρχιτεκτονική — κάθε βήμα συλλογιστικής είναι ιχνηλατήσιμο.
Ερμηνευσιμότητα (Άρ. 13.1)Πλήρες ίχνος: ερώτηση → τυπικό ερώτημα → διαδρομή KG → απάντηση.
Τεχνική τεκμηρίωση (Άρ. 11)Πλήρως τεκμηριώσιμο συμβολικό pipeline (γραμματικές, κανόνες, οντολογία).
Ανθεκτικότητα και ακρίβεια (Άρ. 15)Καμία ψευδαίσθηση — οι απαντήσεις προέρχονται αποκλειστικά από το KG.
Ανθρώπινη εποπτεία (Άρ. 14)Το KG είναι επιθεωρήσιμο και τροποποιήσιμο από άνθρωπο.
Διαχείριση κινδύνου (Άρ. 9)Χαμηλός κίνδυνος: κανένα αδιαφανές μοντέλο, καμία αναδυόμενη μεροληψία.
Βασικό επιχείρημα: Ένα καθαρά συμβολικό σύστημα είναι εγγενώς συμβατό με τις απαιτήσεις διαφάνειας και ερμηνευσιμότητας του Κανονισμού ΤΝ, σε αντίθεση με τα συστήματα βασισμένα σε LLM που απαιτούν πρόσθετα επίπεδα XAI (Goncalves & Correia, 2026; Wagner et al., 2025).

8. Οικολογικός Αντίκτυπος

8.1. Το Πρόβλημα

8.2. Πλεονέκτημα του Συμβολικού CPU-only

ΜέτρησηΣύστημα LLM (GPU)Πρόκληση ΤΝ (CPU-only)Εκτιμώμενο Κέρδος
Στιγμιαία Ισχύς300-400 W (GPU)65-125 W (CPU)~3-5×
Καθυστέρηση ανά Ερώτημα0,5-5 s< 100 ms (στόχος)~5-50×
Ενέργεια ανά Ερώτημα~0,001-0,01 kWh~0,000001-0,00001 kWh~100-1000×
Απαιτούμενο ΥλικόGPU ≥ 6.000 €Καταναλωτικός CPU < 500 €~12×

8.3. Υποχρεωτική Μέτρηση

Το έργο πρέπει να μετρήσει και να αναφέρει:

9. Αναπαραγωγιμότητα

  1. Πλήρης πηγαίος κώδικας: δημοσιευμένος σε δημόσιο αποθετήριο, υπό άδεια HL3.
  2. Οδηγίες εγκατάστασης: αυτοματοποιημένο σενάριο ή κοντεϊνεροποίηση.
  3. Δεδομένα δοκιμών: αποκλειστική χρήση δημόσιων benchmarks.
  4. Τυχαίοι σπόροι: σταθεροί και τεκμηριωμένοι για κάθε στοχαστικό στοιχείο.
  5. Εκδοσιοποίηση εξαρτήσεων: αρχείο καρφιτσωμένων εξαρτήσεων.
  6. Κοντεϊνεροποίηση: το πλήρες σύστημα πρέπει να εκτελείται αναπαραγώγιμα.
  7. Τεκμηριωμένο ελάχιστο υλικό: ρητές ελάχιστες προδιαγραφές.

Το μέγιστο απαιτούμενο υλικό (i9 + RTX 3090) είναι προσβάσιμο σε ευρύ κοινό. Η Φάση 2 (εκτέλεση QA) δεν απαιτεί GPU, επιτρέποντας εκτέλεση σε απλό φορητό υπολογιστή.

10. Κυριαρχία, Ασφάλεια & Ιδιωτικότητα

Ψηφιακή Κυριαρχία

  • Καμία εξάρτηση από cloud — πλήρως τοπική λειτουργία.
  • Κανένα εξωτερικό κλήση API — κανένα δεδομένο δεν φεύγει από τη μηχανή.
  • LLMs ανοιχτών βαρών λήψιμα και εκτελέσιμα τοπικά.
  • Κανένα κλείδωμα σε προμηθευτή.

Ασφάλεια

  • Εκτέλεση σε sandbox (απομονωμένο περιβάλλον).
  • Καμία αυθαίρετη εκτέλεση κώδικα.
  • Κανένα prompt injection (κανένα LLM κατά την εκτέλεση).
  • Επικύρωση εισόδου μέσω τυπικής γραμματικής.

Ιδιωτικότητα

  • Αποκλειστικά τοπική επεξεργασία — τα έγγραφα δεν φεύγουν ποτέ από τη μηχανή.
  • Καμία τηλεμετρία.
  • KG διαγράψιμο κατ' απαίτηση.
  • Δυνατότητα δημιουργίας ξεχωριστών KGs ανά χρήστη ή ανά τομέα.

11. Αξιολογήσεις & Μετρήσεις

11.1. Αναγνωρισμένα Benchmarks KGQA

Το σύστημα πρέπει να αξιολογηθεί σε τουλάχιστον δύο από τα ακόλουθα benchmarks:

BenchmarkΠεριγραφήΜέγεθοςΑναφορά
SimpleQuestionsΑπλές πραγματολογικές ερωτήσεις στο Freebase~100K ερωτήσειςACL
WebQuestionsSPΕρωτήσεις ιστού με σημειώσεις SPARQL~4.737 ερωτήσειςACL
LC-QuAD 2.0Σύνθετες ερωτήσεις σε DBpedia/Wikidata~30K ερωτήσειςISWC
ComplexWebQuestionsΠολυ-βηματικές ερωτήσεις στο Freebase~34K ερωτήσειςNAACL
QALDΠολύγλωσση πρόκληση, μικρό μέγεθος~400-500 ερωτήσειςCLEF/ESWC
MINTQAΠρόσφατο benchmark για LLM+KG σε σπάνιες οντότητεςΜεταβλητόEMNLP 2025
SQuAD 2.0Εξαγωγικό QA σε παραγράφους~150K ερωτήσειςACL
Natural QuestionsΠραγματικές ερωτήσεις Google~307K ερωτήσειςTACL
TriviaQAQA γενικών γνώσεων με υποστηρικτικά έγγραφα~95K ερωτήσειςACL

Σύσταση: δώστε προτεραιότητα σε LC-QuAD 2.0 και QALD, συμπληρωμένα με SQuAD ή Natural Questions για σύγκριση με νευρωνικές προσεγγίσεις.

11.2. Μετρικές Αξιολόγησης

ΚατηγορίαΜετρικήΠεριγραφή
Απόδοση QAF1 score, Exact Match (EM)Ακρίβεια απάντησης
Απόδοση QAHits@1, Hits@5Ποσοστό σωστής απάντησης στα top-k
Απόδοση QAMRRΜέσος ρόλος σωστής απάντησης
ΚαθυστέρησηΜέσος/p95 χρόνος απόκρισης (ms)Μέτρηση μόνο σε CPU
ΡυθμόςΕρωτήσεις/δευτερόλεπτοΡυθμαπόδοση
ΟικολογίαkWh/ερώτημα, gCO₂/ερώτημαΜέσω codecarbon/carbontracker
ΕρμηνευσιμότηταΠοσοστό ιχνηλασιμότητας% απαντήσεων με πλήρες ίχνος (στόχος: 100%)
Κάλυψη KGΤριπλέτες, οντότητες, σχέσειςΠεριγραφικά στατιστικά

11.3. Βασικές Γραμμές Σύγκρισης

  1. RAG + LLM (GPU): νευρωνική βασική γραμμή σε GPU.
  2. KG-RAG (GPU): υβριδική βασική γραμμή KG + LLM.
  3. Απευθείας SPARQL: καθαρά συμβολική βασική γραμμή (χειροκίνητα ερωτήματα στο ίδιο KG).

12. Προδιαγραφές Απόδοσης

ΚριτήριοΣτόχοςΑιτιολόγηση
Καθυστέρηση QA< 100 ms (p95)Αποδεκτή διαδραστικότητα χρήστη
Κατασκευή KG< 1 λεπτό / 1.000 σύντομα έγγραφαΠρακτικότητα
Αποτύπωμα Μνήμης QA< 4 GB RAMΕκτελέσιμο σε μέτριο PC
Μέγεθος KGΚλιμακούμενο σε 10M+ τριπλέτεςΕπαρκής κάλυψη για benchmarks
Ακρίβεια QA≥ 50% F1 σε απλά benchmarksΕρμηνευσιμότητα και λιτότητα ως κύρια επιχειρήματα
Ιχνηλασιμότητα100% απαντήσεων εξηγημένεςΒασικό πλεονέκτημα της συμβολικής προσέγγισης

13. Κίνδυνοι & Μέτρα Αντιμετώπισης

ΚίνδυνοςΠιθανότηταΑντίκτυποςΑντιμετώπιση
Ανεπαρκής απόδοση QA έναντι LLMΥψηλήΜέτριοςΕστίαση σε ερμηνευσιμότητα/λιτότητα
Ανεπαρκής ποιότητα αυτόματου KGΜέτριαΥψηλόςΕπανάληψη κανόνων, εποπτεία LLM
Πολυπλοκότητα πολυ-βηματικών ερωτήσεωνΥψηλήΜέτριοςΠεριορισμός σε ≤ 3 βήματα, τεκμηρίωση περιορισμών
Ασυμβατότητα άδειας εξαρτήσεωνΧαμηλήΥψηλόςΣυστηματικός έλεγχος αδειών
LLM ανοιχτών βαρών ανεπαρκές για εποπτείαΜέτριαΜέτριοςΔοκιμή και συνδυασμός πολλαπλών μοντέλων
Περιορισμένη κάλυψη KG σε κλίμακαΜέτριαΜέτριοςΕκκίνηση με QALD, μετά κλιμάκωση

14. Κριτήρια Επιτυχίας

  1. Το σύστημα QA λειτουργεί εξ ολοκλήρου σε CPU χωρίς GPU κατά την εκτέλεση.
  2. Το KG κατασκευάζεται αυτόματα από έγγραφα φυσικής γλώσσας.
  3. Η απόδοση μετράται σε ≥ 2 αναγνωρισμένα δημόσια benchmarks.
  4. 100% των απαντήσεων συνοδεύονται από ίχνος εξήγησης.
  5. Η κατανάλωση ενέργειας μετράται και συγκρίνεται με βασική γραμμή GPU.
  6. Ο κώδικας δημοσιεύεται υπό Hippocratic 3.0 license με συμβατές εξαρτήσεις.
  7. Το σύστημα είναι αναπαραγώγιμο μέσω Docker στο καθορισμένο υλικό.
  8. Η ανάπτυξη πραγματοποιείται εξ ολοκλήρου από LLMs ανοιχτών βαρών σε sandbox.

15. Βιβλιογραφικές Αναφορές

  1. Agarwal, P. & Bedathur, S. (2025). A Zero-Shot Neuro-Symbolic Approach for Complex Knowledge Graph Question Answering. EMNLP 2025 Findings.
  2. Ansar, W., Goswami, S. & Chakrabarti, A. (2024). From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP. arXiv:2406.16893.
  3. Awab, S. (2026). AI's Resource Gluttony and Sustainable Development. SSRN 6301563.
  4. Boshnjakovski, V. (2025). Balancing Compliance and Innovation: Addressing Explainability in AI Systems under the EU AI Act. MBA Thesis.
  5. Chaudhary, V. et al. (2025). Fusing Knowledge and Language: A Comparative Study of KG-Based QA with LLMs. arXiv:2509.09272.
  6. Chen, H. et al. (2025). Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs. TheWebConf 2025.
  7. Cheng, K. et al. (2025). Neural-symbolic methods for knowledge graph reasoning: A survey. ACM Trans. Knowl. Discov. Data.
  8. Chudasama, Y. et al. (2025). Toward interpretable hybrid AI: integrating knowledge graphs and symbolic reasoning. IEEE Access.
  9. Corradini, F. et al. (2025). State of the art and future directions of small language models. Big Data and Cognitive Computing.
  10. Goncalves, A. & Correia, A. (2026). XAI-Compliance-by-Design: A Modular Framework for GDPR- and AI Act-Aligned Decision Transparency. MDPI J. Cybersecurity and Privacy.
  11. Hasan, S.M. et al. (2025). Carbon emission quantification of ML: A review. IEEE Trans. Sustainable Computing.
  12. Juliussen, B.A. (2025). The Right to an Explanation Under the GDPR and the AI Act. Springer, Int. Conf. Multimedia Modeling.
  13. Kim, M.K. & Yoo, T.A. (2026). Toward Sustainable AI: A Scoping Review of Carbon Footprint. IEEE Access.
  14. Linders, J. & Tomczak, J.M. (2025). Knowledge graph-extended RAG for QA. Applied Intelligence.
  15. Liu, B. et al. (2025). SymAgent: A neural-symbolic self-learning agent framework for complex reasoning over KGs. TheWebConf 2025.
  16. Ma, C. et al. (2025). Large language models meet knowledge graphs for question answering. EMNLP 2025.
  17. Niu, G. et al. (2026). A Comprehensive Survey of Knowledge Graph Reasoning. IEEE Trans. Big Data.
  18. Perevalov, A. et al. (2024). Multilingual question answering systems for knowledge graphs — a survey. Semantic Web.
  19. Salman, M. et al. (2024). Doc-KG: Unstructured documents to KG construction. Expert Systems.
  20. Schwartz, R. et al. (2020). Green AI. Communications of the ACM, 63(12), 54-63.
  21. Sidhu, M.K. et al. (2025). Neurosymbolic AI for Enhanced Reasoning in Small Language Models. IEEE.
  22. Sovrano, F. et al. (2025). Legal XAI: Systematic Review and Interdisciplinary Mapping of XAI and EU Law. ResearchGate.
  23. Tunzina, T. et al. (2026). GreenAI: Environmental Efficiency in LLM-Generated Code. IEEE Access.
  24. Wagner, M. et al. (2025). A Critical Look at the EU AI Act's Requirements — Who Must Explain What? IEEE Int. Requirements Eng. Conf.
  25. Zavarella, V. (2026). Methods for KG Construction from Text Collections. arXiv:2603.25862.