Graf pengetahuan adalah cara yang praktis untuk menyimpan fakta dan hubungan di antara fakta-fakta tersebut: orang, perusahaan, peristiwa, publikasi ilmiah, dan ribuan jenis relasi. Namun nilai utama dari graf semacam itu bukan terletak pada basis datanya, melainkan pada kemampuannya untuk bernalar: menemukan fakta tersembunyi dengan mengandalkan hubungan yang sudah diketahui. Dalam beberapa tahun terakhir, tugas ini semakin sering dicoba dipecahkan dengan model bahasa besar — model ini bekerja baik dengan teks dan mampu belajar tambahan "dengan cepat". Namun, pendekatan ini memiliki keterbatasan yang halus namun penting: model dapat mengingat jawaban yang tampak masuk akal, alih-alih menyimpulkannya dari struktur graf.
Dalam pracetak terbaru di arXiv (2608.17443), sekelompok peneliti — Xingrui Zhuo, Jiapu Wang, Manzong Huang, Gongqing Wu, dan Xindong Wu — mendeskripsikan model SIRLM yang mencoba mengatasi masalah ini melalui pembangkitan aturan struktural. Tetapi sebelum membahas solusinya, penting untuk memahami apa yang sebenarnya rusak.
Apa itu "pergeseran persepsi bukti penalaran"
Ketika model bahasa bekerja dengan graf pengetahuan, model biasanya menerimanya bukan sebagai graf, melainkan sebagai urutan triplet teks: subjek, relasi, objek. Penyajian seperti ini sendiri nyaman bagi LLM, karena model dilatih pada teks. Tetapi graf bukan sekadar daftar fakta; graf juga berisi batasan: transitivitas, simetri, hierarki tipe, larangan kontradiksi. Saat beralih dari struktur ke teks, batasan-batasan ini sebagian hilang.
Para penulis menyebut masalah ini "pergeseran persepsi bukti penalaran" (reasoning evidence perception drift). Intinya adalah bahwa pengetahuan parametrik model — segala sesuatu yang "dipelajarinya" selama pelatihan pada miliaran teks — mulai mendominasi petunjuk struktural dari graf. Model dapat dengan mudah menjawab pertanyaan karena telah melihat topik serupa dalam data pelatihan, bukan karena kesimpulannya benar-benar mengikuti hubungan dalam graf. Ini adalah situasi berbahaya: jawaban terlihat yakin, tetapi tidak valid dari sudut pandang logika graf.
Bagaimana SIRLM memulihkan hubungan dengan struktur
Ide SIRLM bukan sekadar memberikan petunjuk aturan kepada model, melainkan menanamkan pengetahuan struktural ke dalam model penalaran itu sendiri. Untuk itu, digunakan pembangkitan aturan struktural: model belajar menyusun aturan seperti "jika ada relasi A dan relasi B, maka kemungkinan besar ada relasi C", lalu memverifikasi aturan-aturan ini pada graf. Pendekatan ini menghubungkan pembelajaran parametrik dengan verifikasi formal hasil: model tidak bisa sekadar "mengingat" jawaban; model harus menyelaraskan kesimpulannya dengan jalur nyata dalam graf.
Generator aturan SIRG
Komponen kunci model ini adalah generator aturan struktural SIRG. Generator ini dirancang sebagai blok pembelajaran in-context yang dilengkapi memori relasi struktural. Jika pembelajaran in-context biasa memungkinkan model menggunakan contoh dari konteks, memori relasi struktural menambahkan pengetahuan tentang jenis hubungan apa yang umumnya khas untuk graf tertentu. Dengan demikian, model dapat mengoordinasikan pengetahuan parametrik dan struktur saat ini dengan lebih baik.
Secara terpisah, SIRG memiliki dua mekanisme penting:
- Tokenisasi graf berbasis pembelajaran invarian struktural — tokenisasi ini belajar merepresentasikan simpul dan relasi sedemikian rupa sehingga posisi struktural yang sama menghasilkan representasi yang serupa, meskipun objeknya sendiri berbeda.
- Penalar neurosimbolik berbasis propagasi pesan yang dibatasi aturan — penalar ini menyebarkan sinyal melalui graf, tetapi hanya melalui jalur yang diizinkan oleh aturan yang dibangkitkan. Ini memberikan umpan balik dari eksekusi aturan yang sebenarnya: jika sebuah aturan mengarah pada konfirmasi fakta, model menerima sinyal positif.
Kombinasi ini memungkinkan diperolehnya representasi struktural yang dapat dipelajari sekaligus memverifikasi validitasnya melalui eksekusi aturan.
Integrasi ke dalam siklus pembelajaran standar
Salah satu kekuatan utama SIRLM adalah kepraktisan teknisnya. Model ini tidak memerlukan arsitektur yang eksotis dan dapat diintegrasikan ke dalam paradigma pembelajaran LLM standar, termasuk SFT (fine-tuning pada contoh berlabel) dan GRPO (optimasi kebijakan kelompok dengan penguatan). Ini berarti pengembang dapat mengambil model yang sudah ada dan menambahkan aturan struktural sebagai lapisan pembelajaran tambahan.
Pendekatan ini penting tidak hanya dari sudut pandang kualitas, tetapi juga dari sudut pandang kepercayaan terhadap model. Ketika penalaran model dapat dijelaskan melalui aturan dan hubungan konkret dalam graf, pengguna memiliki kesempatan untuk memverifikasi alur pikir. Ini sangat berbeda dari situasi ketika model hanya mengeluarkan jawaban yang mungkin tanpa dasar apa pun.
Seberapa efektif cara ini
Para penulis mengklaim telah melakukan eksperimen ekstensif: membandingkan SIRLM dengan 17 metode KGR modern pada 36 kumpulan data. Menurut data mereka, model ini secara signifikan mengungguli pendekatan yang ada. Ini terlihat menjanjikan, terutama mengingat banyak metode LLM meningkatkan kualitas hanya melalui skala atau prompt yang rumit, bukan melalui pemahaman struktur yang sebenarnya.
Tentu saja, seperti halnya pracetak mana pun, hasilnya perlu disikapi dengan hati-hati: pemilihan kumpulan data, metrik, dan model dasar dapat memengaruhi gambaran akhir. Tetapi perumusan masalahnya sendiri — "pergeseran persepsi" — akurat dan tepat waktu. LLM telah belajar memanipulasi teks dengan cekatan, tetapi untuk tugas-tugas penting yang jawabannya harus mengikuti bukti yang tersedia, intuisi bahasa saja tidak cukup.
Kesimpulan
Graf pengetahuan menuntut disiplin dari model: penalaran harus didasarkan pada struktur, bukan pada ingatan. SIRLM adalah salah satu langkah penting pertama menuju penggabungan fleksibilitas model bahasa dengan ketelitian formal aturan. Ini bukan sekadar metode lain dengan angka yang lebih baik, melainkan upaya untuk mengubah cara LLM berinteraksi dengan graf. Jika model semacam ini diterima, penalaran pada graf akan menjadi tidak hanya lebih akurat, tetapi juga jauh lebih transparan: setiap jawaban akan memiliki jejak aturan dan hubungan yang dapat diverifikasi.
