本研究探讨了 Markov 逻辑网络和图神经网络的组合,并使用图神经网络进行 MLN 中的变分推理。研究提出了一种名为 ExpressGNN 的 GNN 变体,并通过多个基准数据集的广泛实验表明,ExpressGNN 在有效和高效的概率逻辑推理方面具有领先优势。
Jan, 2020
本文提出了一种基于概率模型的 RNNLogic,并采用 EM 算法和后验推断方法,实现了在知识图谱推理中,学习逻辑规则的高效优化
Oct, 2020
介绍了一种神经马尔可夫逻辑网络 (NMLNs) 的统计关系学习系统,其借鉴了马尔可夫逻辑的思想,通过神经网络隐式表示逻辑规则作为关系结构上的潜在势函数,克服了基于神经符号方法的嵌入缺失等问题,在知识库补全、三元组分类和分子 (图) 数据生成方面有较大的应用潜力。
May, 2019
该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法,可以与任何基于转换的知识图谱嵌入模型(如 TransE)轻松集成。经过广泛的实验,在链接预测和三元组分类上显示出更好的性能提升。
Mar, 2019
本文介绍了一种新颖的框架 Relational Neural Machines,它可以对学习器的参数和基于一阶逻辑的推理器进行联合训练,下面将介绍其在大规模关系任务中的可行性和良好效果。
Feb, 2020
本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法,并展示了实验室中的卓越性能,该方法可以处理包括否定查询在内的全一阶逻辑查询。
Sep, 2022
本文从逻辑表达式的角度对图神经网络进行了理论分析,实验结果验证了我们提出的实体标记方法的有效性,并揭示了基于标记技巧的最先进的方法为什么很有效。
Mar, 2023
本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架,能够在处理复杂查询时提高时间复杂度,这种方法应用于真实世界数据中能够提供有用的预测能力。
Jun, 2018
本文针对生物数据的图形结构,以药物再利用的真实任务为例,利用强化学习和逻辑规则相结合的方法 PoLo 进行链路预测,超越了几种最先进的算法,并提供解释性。
Mar, 2021
本文旨在探究利用逻辑程序模拟图神经网络的信息传播机制,在解决节点属性预测问题中的应用,通过实现一个类似 Prolog 程序的逻辑程序来模拟图神经网络的信息传播阶段,并利用相似节点的属性推断测试集中的节点属性,与链接结构进行比较,得到更好的表现,在 ogbn-arxiv 节点属性推断基准测试上实现了与领先水平接近的结果,并为该数据集的性能上限提供了解释。
Aug, 2022