探究图神经网络的内部逻辑及其逻辑性质

Aug, 2022

探究图神经网络的内部逻辑及其逻辑性质

A Gaze into the Internal Logic of Graph Neural Networks, with Logic

Paul Tarau

TL;DR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。

Abstract

graph neural networks share with logic programming several key relational inference mechanisms. The datasets on which they are trained and evaluated can be seen as database facts containing ground terms. This mak

graph neural networks logic programming node property prediction prolog information propagation

发现论文，激发创造

图神经网络中的逻辑推理能力评估

本研究探讨使用关系学习算法如何进行逻辑推理，在设计了一套基于一阶逻辑的基准测试套件 GraphLog 后，我们使用图神经网络 (GNN) 来进行评估，并发现模型的泛化和适应能力强度受到训练中遇到的不同逻辑规则的多样性的影响。

Mar, 2020

概率逻辑神经网络推理

该论文提出了一种基于 Markov Logic Network 和知识图谱嵌入方法的概率逻辑神经网络 (pLogicNet) 来推理缺失的三元组，该方法结合了两种技术的优点，并通过多重知识图实验证明了其优越性。

Jun, 2019

基于图神经网络的高效概率逻辑推理

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

知识图谱中的归纳逻辑查询回答

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022

推断图神经网络的属性

GNNInfer 是第一个为 GNN 提出的自动属性推理技术，通过识别具有显著贡献的代表性有影响力结构，并使用现有的属性推理技术来捕获 GNN 的特定结构属性，然后推广为包含这些结构的任何输入图形的属性。实验证明，GNNInfer 在推理现实世界的 GNN 的可能属性方面非常有效，并且能够有效地抵御 GNN 的后门攻击。

Jan, 2024

图神经网络的逻辑精炼

我们提出了一种基于逻辑的可解释模型，用于学习图形，并通过图神经网络（GNN）提炼该模型的算法。我们通过决策树模型以及扩展的二阶逻辑（C2）从 GNN 中提炼可解释的逻辑分类器，测试结果表明在可被 C2 表达的情况下，我们的方法优于 GNN。

Jun, 2024

RNNLogic：学习知识图谱推理逻辑规则

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

图神经网络在知识图谱推理中的逻辑表现力

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

基于子图推理的归纳关系预测

提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

Nov, 2019

基于图神经网络的概率图模型推理

使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

Mar, 2018