Seminarium z udziałem Jana Frąckowiaka, doktoranta WNE

13 kwietnia br. o godz. 17:00 odbędzie się seminarium z cyklu realizowanego przez ośrodki badawcze QFRG i DSLab. W jego trakcie Jan Frąckowiak, doktorant Wydziału Nauk Ekonomicznych UW związany z Katedrą Data Science, zaprezentuje swoje badania pt. „Ontology as a hyperparameter: Task-aware knowledge graph construction using LLMs”. Wystąpienie poświęcone będzie wykorzystaniu grafów wiedzy budowanych na podstawie tekstów do tworzenia lepszych modeli prognostycznych oraz możliwości automatycznej ewolucji struktury grafu w odpowiedzi na jakość prognoz z wykorzystaniem agentów LLM. [Z pełnym abstraktem wystąpienia można zapoznać się poniżej.]

Do udziału w seminarium zapraszamy do sali B002 (WNE UW) lub zdalnie. W celu otrzymania linku do spotkania prosimy o kontakt mailowy pod adresem: Y4IH~G$*9F#]=.-R'l5?tP]#[J%52n%kfT=tCG~![hQ#He9.

Prezentacja zagadnienia potrwa około 45 minut, następnie odbędzie się wspólna dyskusja. Uprzejmie prosimy o wcześniejsze przybycie/zalogowanie się na spotkanie.

---

The project investigates the construction of task-aware knowledge graphs (KGs) from text, treating graph structure as an optimization target rather than a fixed representation. Existing frameworks such as Neo4j-based pipelines and LLM-driven tools (e.g., LlamaIndex) focus on constructing large, general-purpose graphs without incorporating feedback from downstream tasks, despite evidence from evaluation frameworks (e.g., KGrEaT, GEval, KGBench) that KG utility is task-dependent. The research addresses this gap by proposing a feedback-driven approach in which ontology is treated as a tunable component influencing predictive performance. The study uses document-based datasets linking text to measurable outcomes, including financial news (FNSPID) paired with stock price movements. LLM agents are employed for ontology evolution and triple extraction, enabling scalable generation of multiple KG variants. Graph-derived features are then computed over temporal windows and used in predictive models, whose performance is fed back to the agents to refine ontology design, closing the loop between graph construction and downstream task. Preliminary results show that graph structure significantly impacts predictive performance, with adaptive ontology refinement leading to measurable improvements.