الرسوم البيانية للمعرفة (KGs) هي ضرورية لتمكين الاستدلال بالمعرفة في مختلف المجالات. لقد حققت الطرق الحديثة للاستدلال بالرسوم البيانية للمعرفة، التي تدمج المعلومات العالمية والمحلية، نتائج واعدة. ومع ذلك، تعاني الطرق الحالية غالبًا من التسطيح الزائد للدرجات، مما يشوه الفرق بين الإجابات الصحيحة والخاطئة ويعرقل فعالية الاستدلال. لمعالجة هذا الأمر، نقترح DuetGraph، وهو آلية استدلال بالرسوم البيانية للمعرفة تستخدم دمجًا عالميًا-محليًا مزدوج المسار من الخشن إلى الدقيق. يعمل DuetGraph على معالجة التسطيح الزائد للدرجات من خلال فصل - بدلاً من تراكيب - معالجة المعلومات المحلية (من خلال نقل الرسائل) والمعلومات العالمية (من خلال الانتباه) إلى مسارات منفصلة، مما يمنع التداخل المتبادل ويحافظ على تمييز التمثيل. بالإضافة إلى ذلك، يُدخل DuetGraph تحسينًا من الخشن إلى الدقيق، والذي يقوم بتقسيم الكيانات إلى مجموعتين: ذات درجات عالية وذات درجات منخفضة. هذه الاستراتيجية تضيق مجال المرشحين وتزيد الفجوة بين درجات المجموعتين، مما يخفف من التسطيح الزائد ويعزز جودة الاستدلال. أظهرت التجارب الواسعة على مجموعة متنوعة من قواعد البيانات أن DuetGraph يحقق أداءً رائدًا (SOTA)، بتحسين يصل إلى 8.7٪ في جودة الاستدلال وتسريع بمقدار 1.8 مرة في كفاءة التدريب.