Sep, 2019

将符号知识嵌入深度网络

PDF
TL;DR本文提出了一种基于图嵌入网络的符号知识应用方法，该方法将命题公式 (和赋值) 通过增强的 Graph Convolutional Network (GCN) 投射到流形上。通过识别节点异质性和结构约束等技术，我们能够生成语义上忠实的嵌入，提高推理检查和视觉关系预测模型的性能。有趣的是，我们观察到命题理论表示的可处理性与嵌入的易用性之间存在一种联系。
发现论文，激发创造
  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • 生物知识图谱上的神经符号表示学习

    本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法，用于生物知识图谱的边预测，并实现了优于人工特征方法的表现，该方法可应用于任何生物知识图谱中，并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。

    Dec, 2016

  • 通过深度图嵌入进行定理证明的前提选择

    该研究使用基于深度学习的方法，提出了一个新的思路来选择与证明相应的数学陈述。应用了一种新的嵌入方法，将高阶逻辑公式表示为一个不变于变量重命名的图，并在保留语法和语义信息的同时，全面地将图形嵌入到一个向量中，从而在 HolStep 数据集上实现了优异的分类表现，将分类准确度从 83％ 提高到了 90.3％。

    Sep, 2017

  • 使用子图汇集技术提升图神经网络对逻辑公式的表达

    本研究通过开发一种新型的嵌入逻辑公式的结构感知神经网络架构，成功地解决了图形化方法在逻辑公式表示时的局限性，并在两个标准数据集上进行了实证研究，取得了最先进的性能，为深度学习与自动定理证明的融合提供了新的思路。

    Nov, 2019

  • 将符号领域知识融入图神经网络

    研究证明，通过对图形结构数据进行了解和拓展，结构化数据分析可以被大大提高。Inductive Logic Programming (ILP) 和 Graph-Based Neural Networks (GNNs) 成为图形结构数据分析上的两个主流，新兴的 Vertex-Enriched Graph Neural Networks (VEGNNs) 又进一步提高了分类性能并能够提前学习到有关联的顶点边的信息，因此在结构化数据分析中加入领域知识的时候可以考虑使用。

    Oct, 2020

  • 知识图谱规则引导的联合嵌入学习

    本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

    Dec, 2023

  • 通过感性偏向从深度学习中发现符号模型

    该研究采用强归纳偏置的通用方法，将符号化表示从学习的深层模型中提取出来，应用于图神经网络。该技术可以从神经网络中提取物理方程，如力学定律和哈密顿量，并在耗费较小的计算资源上快速发现新的物理原则。

    Jun, 2020

  • 知识图谱逻辑查询的神经符号模型

    本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

    May, 2022

  • 消息传递查询嵌入

    本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。

    Feb, 2020

  • 在知识图谱上嵌入逻辑查询

    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