1. Sommarju tal-Isfida
L-isfida għandha l-għan li tfassal, timplimenta u tevalwa sistema ta' mistoqsija/tweġiba (QA) li taħdem esklussivament fuq CPU, ibbażata fuq arkitettura purament simbolika (lessiku, grammatiki, graf tal-għarfien, loġika formali). L-iżvilupp kollu tas-sistema huwa mmexxi minn LLMs ta' piżijiet miftuħin kwantizzati, eżegwibbli fuq hardware tal-konsumatur (i9 CPU, RTX 3090).
Dan il-proġett jaqa' fil-moviment Green AI (Schwartz et al., 2020) u Frugal AI, kontra t-tellieqa għal mudelli dejjem akbar li l-marka tal-karbonju tagħhom saret allarmanti (Kim et al., 2026; Hasan et al., 2025). Jindirizza wkoll id-domandi dejjem jikbru għal trasparenza, spjegabbiltà u konformità regolatorja imposti mill-GDPR u l-Att Ewropew dwar l-IA (Wagner et al., 2025; Juliussen, 2025).
- Sistema QA purament simbolika (l-ebda netwerk newrali waqt l-eżekuzzjoni)
- CPU-only waqt l-eżekuzzjoni (ma hemm bżonn ta' GPU)
- Kostruzzjoni awtomatika tal-KG minn dokumenti tal-lingwa naturali
- Żvilupp kompletament sorveljat minn LLMs ta' piżijiet miftuħin kwantizzati
- Konformità nattiva mal-GDPR/AI Act bid-disinn (interpretabbiltà intrinsika)
- Liċenzja etika (Hippocratic 3.0)
2. Kuntest u Pożizzjonament Xjentifiku
2.1. Dikjarazzjoni tal-Problema
Is-sistemi QA attwali jiddependu ħafna fuq LLMs (GPT, LLaMA, eċċ.) li jeħtieġu GPUs għoljin għall-inferenza, u jqajmu kwistjonijiet ta' alluċinazzjoni, riproduċibbiltà, spjegabbiltà u sovranità tad-data. Jiffunzjonaw bħala kaxxi suwed u huwa diffiċli li jsiru konformi mar-rekwiżiti tal-Att Ewropew dwar l-IA (Artikolu 13) dwar it-trasparenza ta' sistemi ta' riskju għoli (Wagner, 2025; Boshnjakovski, 2025).
2.2. Stat tal-Arti
Approċċi Newro-simboliċi u KG-QA
Il-letteratura reċenti tikkonverġi lejn l-integrazzjoni ta' grafi tal-għarfien (KG) u raġunament simboliku biex tindirizza l-limitazzjonijiet tal-approċċi purament newrali:
- Cheng et al. (2025), "Neural-symbolic methods for knowledge graph reasoning" (ACM TKDD) — jiddistingwu approċċi ta' kompletament tal-KG, tweġiba għal mistoqsijiet kumplessi u tagħlim ta' regoli loġiċi; jidentifikaw il-potenzjal ta' metodi purament simboliċi għall-interpretabbiltà.
- Niu et al. (2026), "A Comprehensive Survey of Knowledge Graph Reasoning" (IEEE Trans. Big Data) — ikopru raġunament multi-hop fuq KG, inklużi approċċi Inductive Logic Programming (ILP).
- Linders & Tomczak (2025), "Knowledge graph-extended RAG for QA" (Applied Intelligence) — juru li l-KGs jippermettu raġunament simboliku u tweġibiet verifikabbli.
- Chudasama et al. (2025), "Toward interpretable hybrid AI" (IEEE Access) — jipproponu TrustKG li jikkombina interpretabbiltà simbolika ma' KG.
- Agarwal & Bedathur (2025), "A Zero-Shot Neuro-Symbolic Approach for Complex KGQA" (EMNLP Findings 2025).
- Liu et al. (2025), "SymAgent" (TheWebConf 2025) — aġent simboliku li jitgħallem waħdu għal KGQA.
Kostruzzjoni Awtomatika tal-Graf tal-Għarfien
- Zavarella (2026), "Methods for KG Construction from Text Collections" (arXiv) — qafas li jikkombina NLP, ML u Web Semantiku.
- Salman et al. (2024), "Doc-KG" (Expert Systems) — kostruzzjoni tal-KG minn dokumenti mhux strutturati.
- Chen et al. (2025), "Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs" (TheWebConf 2025).
Effiċjenza tal-CPU u Approċċi Ħfief
- Sidhu et al. (2025), "Neurosymbolic AI for Enhanced Reasoning in Small Language Models" (IEEE).
- Corradini et al. (2025), "State of the art and future directions of small language models" (Big Data and Cognitive Computing).
- Chaudhary et al. (2025) jikkonfermaw li "spaCy jipprovdi estrazzjoni ħafifa, ta' preċiżjoni għolja, effiċjenti fuq CPU standard".
- Okechukwu et al. (2025) jikkonfermaw li "spaCy u NLTK joperaw effiċjentement fuq CPUs standard".
Impatt Ekoloġiku tal-IA
- Kim & Yoo (2026), "Toward Sustainable AI" (IEEE Access) — il-marka tal-karbonju taċ-ċentri tad-data tal-IA triplat bejn l-2024 u l-2025.
- Hasan et al. (2025), "Carbon emission quantification of ML" (IEEE Trans.).
- Tunzina et al. (2026), "GreenAI: Environmental Efficiency in LLM-Generated Code" (IEEE Access).
Konformità mal-GDPR u l-Att dwar l-IA
- Wagner et al. (2025), "A Critical Look at the EU AI Act's Requirements" (IEEE RE).
- Juliussen (2025), "The Right to an Explanation Under the GDPR and the AI Act" (Springer).
- Goncalves & Correia (2026), "XAI-Compliance-by-Design" (MDPI).
- Sovrano et al. (2025), "Legal XAI: Systematic Review" (ResearchGate).
3. Objettivi
Objettiv Prinċipali
Turi l-fattibbiltà u tevalwa l-prestazzjoni ta' sistema QA CPU-only, purament simbolika li l-graf tal-għarfien tagħha jinbena awtomatikament minn dokumenti tal-lingwa naturali.
Objettivi Sekondarji
- Tilħaq prestazzjoni kompetittiva fuq benchmarks KGQA rikonoxxuti.
- Tkejjel u tqabbel il-marka tal-enerġija (CPU vs GPU) biex turi l-benefiċċju ekoloġiku.
- Turi l-interpretabbiltà intrinsika tas-sistema (traċċabbiltà ta' kull tweġiba).
- Tipprovdi softwer riproduċibbli, dokumentat taħt liċenzja etika.
4. Arkitettura & Speċifikazzjonijiet Tekniċi
4.1. Arkitettura Ġenerali
Is-sistema hija maqsuma f'żewġ fażijiet distinti:
Fażi 1 — Kostruzzjoni tal-Graf tal-Għarfien (offline, GPU permess)
Dokumenti LN → Preprocessjar → NER → Estrazzjoni tar-Relazzjonijiet → Riżoluzzjoni tal-Koreferenza
→ Kostruzzjoni tal-KG (tripletti RDF/OWL) → Ħażna tal-Graf
Fażi 2 — Mistoqsija/Tweġiba (runtime, strettament CPU-only)
Mistoqsija LN → Analiżi Sintattika/Semantika → Trasformazzjoni għal Query Formali
→ Traversal tal-KG → Raġunament Loġiku → Ġenerazzjoni tat-Tweġiba
→ Traċċa tal-Ispjegazzjoni
4.2. Speċifikazzjonijiet tal-Hardware
| Komponent | Fażi 1 (Kostruzzjoni KG) | Fażi 2 (Runtime QA) |
|---|---|---|
| CPU | Intel Core i9 (massimu) | Intel Core i9 (massimu) |
| GPU | NVIDIA RTX 3090 (24 GB VRAM) | Xejn (strettament CPU-only) |
| RAM | 32 GB (massimu) | 32 GB (biżżejjed) |
| Ħażna | NVMe SSD | NVMe SSD |
Ġustifikazzjoni: Il-Fażi 1 tista' tuża l-GPU biex tħaddem il-LLMs ta' piżijiet miftuħin kwantizzati li jissorveljaw il-kostruzzjoni tal-pipeline. Il-Fażi 2, li tikkostitwixxi s-sistema deployabbli, trid tkun strettament CPU-only biex tiggarantixxi aċċessibbiltà, sovranità u frugalità.
4.3. Ambjent tal-Iżvilupp
- Sandbox: żvilupp f'ambjent iżolat għas-sigurtà u r-riproduċibbiltà.
- OS fil-mira: Linux (fil-mira primarja), bi portabbiltà għal Windows/macOS mixtieqa.
- Lingwa(i): għażla ħielsa, sakemm id-dipendenzi jikkonformaw mar-restrizzjonijiet tal-liċenzja (sezzjoni 6).
4.4. Sorveljanza LLM
L-iżvilupp tas-sistema huwa kompletament immexxi minn wieħed jew aktar LLMs ta' piżijiet miftuħin, eżegwibbli lokalment fuq il-hardware speċifikat (Fażi 1). L-għażla tal-mudelli, kwantizzazzjoni u qafas tal-inferenza hija mħollija lill-parteċipant.
5. Arkitettura Pipeline Ssuġġerita
Il-qsim li ġej huwa pprovdut bħala linja gwida. Il-parteċipanti huma liberi li jipproponu arkitettura differenti, sakemm jissodisfaw ir-restrizzjonijiet funzjonali (sezzjonijiet 3, 4 u 12) u r-rekwiżiti tal-liċenzja (sezzjoni 6).
5.1. Preprocessjar tat-Test
- Segmentazzjoni tas-sentenzi
- Tokenizzazzjoni
- Lemmatizzazzjoni
- Tikkettar tal-Parti tad-Diskors (Part-of-Speech)
- Parsing tad-dipendenzi
5.2. Rikonoxximent tal-Entitajiet Imsemmijin (NER)
- Detezzjoni tal-entitajiet (persuni, postijiet, organizzazzjonijiet, dati, kunċetti)
- Tipizzazzjoni tal-entitajiet skont ontoloġija tad-dominju
- Riżoluzzjoni tal-koreferenza
5.3. Estrazzjoni tar-Relazzjonijiet (RE)
- Estrazzjoni tat-tripletti (suġġett, predikat, oġġett) mit-test
- Estrazzjoni miftuħa jew iggwidata bi mudelli
5.4. Kostruzzjoni tal-Graf tal-Għarfien
- Normalizzazzjoni u għaqda tal-entitajiet (entity linking)
- Kostruzzjoni u ħażna tal-graf (tripletti)
- Arrikkiment permezz tal-inferenza ta' relazzjonijiet impliċiti
- Validazzjoni u tindif tal-graf
5.5. Fehim tal-Mistoqsija
- Analiżi sintattika tal-mistoqsija tal-lingwa naturali
- Identifikazzjoni tat-tip ta' mistoqsija (min, x'inhu, fejn, meta…)
- Estrazzjoni tal-entitajiet u relazzjonijiet imsemmijin
- Trasformazzjoni f'query formali fuq il-graf
5.6. Raġunament & Tfittxija tat-Tweġiba
- Traversal tal-graf tal-għarfien (raġunament multi-hop)
- Riżoluzzjoni loġika u klassifika tat-tweġibiet kandidati
5.7. Ġenerazzjoni tat-Tweġiba & Spjegazzjonijiet
- Formulazzjoni tat-tweġiba f'lingwa naturali
- Traċċa sħiħa tal-ispjegazzjoni: triq fil-KG, regoli applikati, entitajiet u relazzjonijiet involuti, fiduċja/kompletezza
6. Restrizzjonijiet tal-Liċenzja
6.1. Hippocratic License 3.0 (HL3)
Is-softwer finali se jiġi ppubblikat taħt Hippocratic License 3.0 (firstdonoharm.dev). Din il-liċenzja:
- Mhix ikkunsidrata open source fis-sens tal-OSI (restrizzjonijiet etiċi fuq l-użu).
- Hija liċenzja copyleft (Sezzjoni 8.3).
- Timponi standards etiċi bbażati fuq id-drittijiet fundamentali tal-bniedem (UDHR, ICESCR, ICCPR, ILO).
6.2. Kompatibbiltà tad-Dipendenzi
| Liċenzja | Kompatibbli ma' HL3 | Eżempji |
|---|---|---|
| MIT | ✅ Iva | — |
| BSD (2/3-clause) | ✅ Iva | — |
| Apache 2.0 | ✅ Iva | — |
| ISC / CC0 | ✅ Iva | — |
| GPL v2/v3 | ⚠️ Potenzjalment mhux kompatibbli | — |
| AGPL | ❌ Probabbilment mhux kompatibbli | — |
6.3. Moduli HL3 Fakultattivi Rakkomandati
- HL3-ECO (Ekoċidju) — konsistenti mal-objettiv li jitnaqqas l-impatt ekoloġiku.
- HL3-MEDIA — projbizzjoni tal-użu għall-promozzjoni tal-vjolenza.
- HL3-SV (Sorveljanza tal-Massa) — konsistenti mas-sovranità u l-privatezza.
7. Konformità Regolatorja
7.1. GDPR
| Prinċipju GDPR | Implimentazzjoni |
|---|---|
| Minimizzazzjoni tad-data (Art. 5.1.c) | Il-KG jaħżen biss tripletti estratti relevanti, mhux data personali mhux ipproċessata. |
| Dritt għal spjegazzjoni (Art. 22 + premessa 71) | Traċċa sħiħa tal-ispjegazzjoni għal kull tweġiba. |
| Dritt għat-tħassir (Art. 17) | Kapaċità li jitħassru entitajiet/tripletti mill-KG. |
| Privatezza bid-disinn (Art. 25) | L-ebda data sensittiva fil-KG mingħajr neċessità dokumentata. |
| Ebda profiling awtomatizzat (Art. 22) | Is-sistema ma tagħmilx deċiżjonijiet awtomatizzati dwar individwi. |
7.2. Att Ewropew dwar l-IA
| Rekwiżit tal-Att dwar l-IA | Konformità |
|---|---|
| Trasparenza (Art. 13) | Arkitettura simbolika intrinsikament interpretabbli — kull pass tar-raġunament huwa traċċabbli. |
| Spjegabbiltà (Art. 13.1) | Traċċa sħiħa: mistoqsija → query formali → triq fil-KG → tweġiba. |
| Dokumentazzjoni teknika (Art. 11) | Pipeline simboliku kompletament dokumentabbli (grammatiki, regoli, ontoloġija). |
| Robustezza u preċiżjoni (Art. 15) | Ebda alluċinazzjoni — it-tweġibiet jiġu esklussivament mill-KG. |
| Sorveljanza umana (Art. 14) | Il-KG huwa ispezzjonabbli u modifikabbli minn bniedem. |
| Ġestjoni tar-riskju (Art. 9) | Riskju baxx: ebda mudell opak, ebda bias emerġenti. |
8. Impatt Ekoloġiku
8.1. Il-Problema
- It-taħriġ ta' GPT-3 ikkonsma madwar 1,287 MWh, jiġifieri ~552 tunnellata ta' CO₂.
- Il-marka tal-karbonju taċ-ċentri tad-data tal-IA triplat bejn l-2024 u l-2025 (Awab, 2026).
- Query ta' LLM tikkonsma madwar 10× aktar enerġija minn tfittxija standard fuq il-web (Kim & Yoo, 2026).
8.2. Vantaġġ Simboliku CPU-only
| Metrika | Sistema LLM (GPU) | Sfida tal-IA (CPU-only) | Gwadann Stmat |
|---|---|---|---|
| Potenza Istantanja | 300-400 W (GPU) | 65-125 W (CPU) | ~3-5× |
| Latenza għal kull Query | 0.5-5 s | < 100 ms (mira) | ~5-50× |
| Enerġija għal kull Query | ~0.001-0.01 kWh | ~0.000001-0.00001 kWh | ~100-1000× |
| Hardware Meħtieġ | GPU ≥ €6,000 | CPU tal-konsumatur < €500 | ~12× |
8.3. Kejl Obbligatorju
Il-proġett irid ikejjel u jirrapporta:
- Konsum tal-enerġija (kWh) għall-kostruzzjoni tal-KG.
- Konsum tal-enerġija għal kull query QA.
- Marka tal-CO₂ korrispondenti.
- Paragun ma' sistema baseline GPU.
9. Riproduċibbiltà
- Kodiċi sors sħiħ: ippubblikat fuq repożitorju pubbliku, taħt liċenzja HL3.
- Istruzzjonijiet tal-installazzjoni: skript awtomatizzat jew kontejnerizzazzjoni.
- Data tat-test: użu esklussiv ta' benchmarks pubbliċi.
- Żrieragħ każwali: fissi u dokumentati għal kull komponent stokastiku.
- Verżjonament tad-dipendenzi: fajl ta' dipendenzi ffissat.
- Kontejnerizzazzjoni: is-sistema sħiħa trid tkun eżegwibbli b'mod riproduċibbli.
- Hardware minimu dokumentat: speċifikazzjonijiet minimi espliċiti.
Il-hardware massimu meħtieġ (i9 + RTX 3090) huwa aċċessibbli għal udjenza wiesgħa. Il-Fażi 2 (runtime QA) ma teħtieġx GPU, li tippermetti eżekuzzjoni fuq laptop sempliċi.
10. Sovranità, Sigurtà & Privatezza
Sovranità Diġitali
- Ebda dipendenza fuq is-sħab — operazzjoni kompletament lokali.
- Ebda sejħiet API esterni — ebda data tħalli l-magna.
- LLMs ta' piżijiet miftuħin li jistgħu jitniżżlu u jiġu eżegwiti lokalment.
- Ebda lock-in tal-fornitur.
Sigurtà
- Eżekuzzjoni sandbox (ambjent iżolat).
- Ebda eżekuzzjoni arbitrarja tal-kodiċi.
- Ebda prompt injection (ebda LLM waqt l-eżekuzzjoni).
- Validazzjoni tal-input permezz ta' grammatika formali.
Privatezza
- Ipproċessar esklussivament lokali — id-dokumenti qatt ma jħallu l-magna.
- Ebda telemetrija.
- KG jista' jitħassar fuq talba.
- Kapaċità li jinħolqu KGs separati għal kull utent jew dominju.
11. Benchmarks & Evalwazzjoni
11.1. Benchmarks KGQA Rikonoxxuti
Is-sistema trid tiġi evalwata fuq mill-inqas tnejn minn dawn il-benchmarks:
| Benchmark | Deskrizzjoni | Daqs | Referenza |
|---|---|---|---|
| SimpleQuestions | Mistoqsijiet fattwali sempliċi fuq Freebase | ~100K mistoqsija | ACL |
| WebQuestionsSP | Mistoqsijiet tal-web b'annotazzjonijiet SPARQL | ~4,737 mistoqsija | ACL |
| LC-QuAD 2.0 | Mistoqsijiet kumplessi fuq DBpedia/Wikidata | ~30K mistoqsija | ISWC |
| ComplexWebQuestions | Mistoqsijiet multi-hop fuq Freebase | ~34K mistoqsija | NAACL |
| QALD | Sfida multilingwi, daqs żgħir | ~400-500 mistoqsija | CLEF/ESWC |
| MINTQA | Benchmark reċenti għal LLM+KG fuq entitajiet rari | Varjabbli | EMNLP 2025 |
| SQuAD 2.0 | QA estrattiv fuq paragrafi | ~150K mistoqsija | ACL |
| Natural Questions | Mistoqsijiet reali ta' Google | ~307K mistoqsija | TACL |
| TriviaQA | QA ta' trivia b'dokumenti ta' appoġġ | ~95K mistoqsija | ACL |
Rakkomandazzjoni: agħti prijorità lil-LC-QuAD 2.0 u QALD, supplimentati bi SQuAD jew Natural Questions għal paragun mal-approċċi newrali.
11.2. Metriċi tal-Evalwazzjoni
| Kategorija | Metrika | Deskrizzjoni |
|---|---|---|
| Prestazzjoni QA | F1 score, Exact Match (EM) | Preċiżjoni tat-tweġiba |
| Prestazzjoni QA | Hits@1, Hits@5 | Rata ta' tweġiba korretta fit-top-k |
| Prestazzjoni QA | MRR | Grad medju tat-tweġiba korretta |
| Latenza | Medja/p95 tal-ħin ta' risposta (ms) | Imkejla fuq CPU biss |
| Throughput | Mistoqsijiet/sekonda | Throughput |
| Ekoloġija | kWh/query, gCO₂/query | Permezz ta' codecarbon/carbontracker |
| Spjegabbiltà | Rata ta' traċċabbiltà | % tat-tweġibiet b'traċċa sħiħa (mira: 100%) |
| Kopertura KG | Tripletti, entitajiet, relazzjonijiet | Statistika deskrittiva |
11.3. Baselines tal-Paragun
- RAG + LLM (GPU): baseline newrali fuq GPU.
- KG-RAG (GPU): baseline ibrida KG + LLM.
- SPARQL Dirett: baseline purament simbolika (queries manwali fuq l-istess KG).
12. Speċifikazzjonijiet tal-Prestazzjoni
| Kriterju | Mira | Ġustifikazzjoni |
|---|---|---|
| Latenza QA | < 100 ms (p95) | Interattività aċċettabbli tal-utent |
| Kostruzzjoni KG | < 1 min / 1,000 dokument qosra | Prattikabbiltà |
| Marka tal-Memorja QA | < 4 GB RAM | Eżegwibbli fuq PC modesta |
| Daqs KG | Skalabbli sa 10M+ tripletti | Kopertura biżżejjed għall-benchmarks |
| Preċiżjoni QA | ≥ 50% F1 fuq benchmarks sempliċi | Interpretabbiltà u frugalità bħala argumenti prinċipali |
| Traċċabbiltà | 100% tat-tweġibiet spjegati | Vantaġġ ewlieni tal-approċċ simboliku |
13. Riskji & Mitigazzjonijiet
| Riskju | Probabbiltà | Impatt | Mitigazzjoni |
|---|---|---|---|
| Prestazzjoni QA insuffiċjenti vs LLM | Għolja | Medja | Fokus fuq interpretabbiltà/frugalità |
| Kwalità insuffiċjenti tal-KG awtomatiku | Medja | Għolja | Iterer ir-regoli, sorveljanza LLM |
| Kumplessità tal-mistoqsijiet multi-hop | Għolja | Medja | Limitu ≤ 3 hops, dokumenta l-limitazzjonijiet |
| Inkompatibbiltà tal-liċenzja tad-dipendenzi | Baxxa | Għolja | Verifika sistematika tal-liċenzji |
| LLM ta' piżijiet miftuħin insuffiċjenti għas-sorveljanza | Medja | Medja | Ittestja u ikkombina mudelli multipli |
| Kopertura limitata tal-KG fuq skala | Medja | Medja | Ibda bi QALD, imbagħad skala |
14. Kriterji tas-Suċċess
- Is-sistema QA taħdem kompletament fuq CPU mingħajr GPU waqt l-eżekuzzjoni.
- Il-KG jinbena awtomatikament minn dokumenti tal-lingwa naturali.
- Il-prestazzjoni titkejjel fuq ≥ 2 benchmarks pubbliċi rikonoxxuti.
- 100% tat-tweġibiet huma akkumpanjati minn traċċa tal-ispjegazzjoni.
- Il-konsum tal-enerġija jitkejjel u jitqabbel ma' baseline GPU.
- Il-kodiċi jiġi ppubblikat taħt liċenzja Hippocratic 3.0 b'dipendenzi kompatibbli.
- Is-sistema hija riproduċibbli permezz ta' Docker fuq il-hardware speċifikat.
- L-iżvilupp isir kompletament minn LLMs ta' piżijiet miftuħin f'sandbox.
15. Referenzi Bibljografiċi
- Agarwal, P. & Bedathur, S. (2025). A Zero-Shot Neuro-Symbolic Approach for Complex Knowledge Graph Question Answering. EMNLP 2025 Findings.
- Ansar, W., Goswami, S. & Chakrabarti, A. (2024). From Transformers to LLMs: A Systematic Survey of Efficiency Considerations in NLP. arXiv:2406.16893.
- Awab, S. (2026). AI's Resource Gluttony and Sustainable Development. SSRN 6301563.
- Boshnjakovski, V. (2025). Balancing Compliance and Innovation: Addressing Explainability in AI Systems under the EU AI Act. MBA Thesis.
- Chaudhary, V. et al. (2025). Fusing Knowledge and Language: A Comparative Study of KG-Based QA with LLMs. arXiv:2509.09272.
- Chen, H. et al. (2025). Open Local Knowledge Graph Construction from Academic Papers Using Generative LLMs. TheWebConf 2025.
- Cheng, K. et al. (2025). Neural-symbolic methods for knowledge graph reasoning: A survey. ACM Trans. Knowl. Discov. Data.
- Chudasama, Y. et al. (2025). Toward interpretable hybrid AI: integrating knowledge graphs and symbolic reasoning. IEEE Access.
- Corradini, F. et al. (2025). State of the art and future directions of small language models. Big Data and Cognitive Computing.
- 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.
- Hasan, S.M. et al. (2025). Carbon emission quantification of ML: A review. IEEE Trans. Sustainable Computing.
- Juliussen, B.A. (2025). The Right to an Explanation Under the GDPR and the AI Act. Springer, Int. Conf. Multimedia Modeling.
- Kim, M.K. & Yoo, T.A. (2026). Toward Sustainable AI: A Scoping Review of Carbon Footprint. IEEE Access.
- Linders, J. & Tomczak, J.M. (2025). Knowledge graph-extended RAG for QA. Applied Intelligence.
- Liu, B. et al. (2025). SymAgent: A neural-symbolic self-learning agent framework for complex reasoning over KGs. TheWebConf 2025.
- Ma, C. et al. (2025). Large language models meet knowledge graphs for question answering. EMNLP 2025.
- Niu, G. et al. (2026). A Comprehensive Survey of Knowledge Graph Reasoning. IEEE Trans. Big Data.
- Perevalov, A. et al. (2024). Multilingual question answering systems for knowledge graphs — a survey. Semantic Web.
- Salman, M. et al. (2024). Doc-KG: Unstructured documents to KG construction. Expert Systems.
- Schwartz, R. et al. (2020). Green AI. Communications of the ACM, 63(12), 54-63.
- Sidhu, M.K. et al. (2025). Neurosymbolic AI for Enhanced Reasoning in Small Language Models. IEEE.
- Sovrano, F. et al. (2025). Legal XAI: Systematic Review and Interdisciplinary Mapping of XAI and EU Law. ResearchGate.
- Tunzina, T. et al. (2026). GreenAI: Environmental Efficiency in LLM-Generated Code. IEEE Access.
- Wagner, M. et al. (2025). A Critical Look at the EU AI Act's Requirements — Who Must Explain What? IEEE Int. Requirements Eng. Conf.
- Zavarella, V. (2026). Methods for KG Construction from Text Collections. arXiv:2603.25862.