# KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment

**Authors:** Yuxing Lu, Jinzhuo Wang  
**arXiv:** [2502.06472](https://arxiv.org/abs/2502.06472)  
**Date:** 2025-02-10  
**Summary page:** https://www.summarizepaper.com/fr/paper/2502.06472v1/

## Key points

- Les auteurs Yuxing Lu et Jinzhuo Wang ont présenté un cadre novateur appelé KARMA qui exploite des modèles linguistiques larges multi-agents (LLMs) pour automatiser l'enrichissement des graphes de connaissances.
- KARMA utilise neuf agents collaboratifs pour analyser de manière structurée des textes non structurés en couvrant la découverte d'entités, l'extraction de relations, l'alignement de schémas et la résolution de conflits.
- Les expériences menées sur 1 200 articles PubMed provenant de trois domaines différents ont démontré l'efficacité de KARMA dans l'enrichissement des graphes de connaissances.
- Jusqu'à 38 230 nouvelles entités ont été identifiées avec une précision vérifiée par LLM atteignant 83,1%, et le nombre d'arêtes conflictuelles a été réduit de 18,6% grâce à des évaluations multicouches.
- En conclusion, KARMA représente une avancée significative dans l'automatisation de l'enrichissement des graphes de connaissances grâce à l'utilisation innovante de modèles linguistiques larges multi-agents. Cette approche promet d'améliorer considérablement la gestion et la mise à jour des connaissances dans les systèmes d'intelligence artificielle modernes face à la croissance exponentielle du volume de littérature scientifique.
- Les auteurs Yuxing Lu et Jinzhuo Wang ont présenté un cadre novateur appelé KARMA qui exploite des modèles linguistiques larges multi-agents (LLMs) pour automatiser l'enrichissement des graphes de connaissances.
- KARMA utilise neuf agents collaboratifs pour analyser de manière structurée des textes non structurés en couvrant la découverte d'entités, l'extraction de relations, l'alignement de schémas et la résolution de conflits.
- Les expériences menées sur 1 200 articles PubMed provenant de trois domaines différents ont démontré l'efficacité de KARMA dans l

## Summary

Les auteurs Yuxing Lu et Jinzhuo Wang ont présenté un cadre novateur appelé KARMA qui exploite des modèles linguistiques larges multi-agents (LLMs) pour automatiser l'enrichissement des graphes de connaissances. Dans le contexte actuel des systèmes d'IA modernes, il est crucial de maintenir des graphes de connaissances complets et à jour. Cependant, la curation manuelle peine à suivre le rythme de croissance rapide de la littérature scientifique. KARMA utilise neuf agents collaboratifs pour analyser de manière structurée des textes non structurés en couvrant la découverte d'entités, l'extraction de relations, l'alignement de schémas et la résolution de conflits. Ces agents analysent itérativement les documents, vérifient les connaissances extraites et les intègrent dans les structures graphiques existantes tout en respectant un schéma spécifique au domaine. Les expériences menées sur 1 200 articles PubMed provenant de trois domaines différents ont démontré l'efficacité de KARMA dans l'enrichissement des graphes de connaissances. Jusqu'à 38 230 nouvelles entités ont été identifiées avec une précision vérifiée par LLM atteignant 83,1%, et le nombre d'arêtes conflictuelles a été réduit de 18,6% grâce à des évaluations multicouches. En conclusion, KARMA représente une avancée significative dans l'automatisation de l'enrichissement des graphes de connaissances grâce à l'utilisation innovante de modèles linguistiques larges multi-agents. Cette approche promet d'améliorer considérablement la gestion et la mise à jour des connaissances dans les systèmes d'intelligence artificielle modernes face à la croissance exponentielle du volume de littérature scientifique.