इस पत्र में, हम FiSKE का प्रस्ताव करते हैं, जो बड़े पैमाने के भाषा मॉडल (LLM) की ज्ञान-अल्पता की समस्या के समाधान हेतु ज्ञान ग्राफ़ जैसे बाह्य ज्ञान आधारों को एकीकृत करने की एक नवीन विधि है। जहाँ मौजूदा विधियाँ संपूर्ण प्रश्न को लक्षित करती हैं और ज्ञान ग्राफ़ से प्रासंगिक ज्ञान को क्रमिक रूप से पुनः प्राप्त करती हैं, वहीं FiSKE प्रश्न को सूक्ष्म संकेतों में विघटित करता है और एक अनुकूली मानचित्रण रणनीति के माध्यम से संकेतों और ग्राफ़ के बीच की अस्पष्टताओं का समाधान करता है। यह संकेत-आधारित समाप्ति तंत्र के माध्यम से LLM के लिए पूर्णतः मैप किए गए पथों का लाभ उठाकर और आवश्यकता पड़ने पर विचार-श्रृंखला अनुमान पर वापस लौटकर सटीकता और दक्षता का संतुलन बनाता है। कई डेटासेट पर प्रायोगिक परिणाम दर्शाते हैं कि FiSKE ज्ञान पुनर्प्राप्ति प्रदर्शन में मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है और LLM कॉल की संख्या को उल्लेखनीय रूप से कम करता है।
