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

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

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

提出了一种模态逻辑，在其中计数模态出现在线性不等式中。将每个公式转换为等价的图神经网络（GNN）。证明了广泛类别的 GNN 可以高效地转换为公式，从而明显改进了关于 GNN 的逻辑表达能力的文献。证明了可满足性问题的 PSPACE 完备性。这些结果将常规逻辑方法和 GNN 及其属性的推理前景结合起来，尤其适用于 GNN 查询、等价性检查等应用。证明了这种自然问题可以在多项式空间内解决。

Apr, 2024

本文旨在阐述图神经网络的表达能力可以通过组合 Weisfeiler-Leman 算法和有限变量计数逻辑来精确描述，这种对应关系甚至导致了高阶图神经网络与高维 WL 算法的相应。

Apr, 2021

融合语言模型和知识图谱已经变成通识问题回答研究中的常见做法，但在这些模型中实现忠实的思维链解释仍然是一个开放问题。本研究的两个主要贡献是：(1) 提出并验证了两个定量指标 - 图一致性和图忠实度 - 用于衡量基于知识图谱的解释的忠实性。(2) 引入了一种新颖的训练方法 Consistent GNN (CGNN)，通过增加一项一致性正则化项来提高解释的忠实性。分析结果表明，知识图谱的预测往往与原始模型的预测偏离。所提出的 CGNN 方法提高了一致性和忠实度，展示了它产生更忠实解释的潜力。我们的工作强调明确评估的重要性，并为开发基于图的忠实解释结构提供了前进的方向。

Oct, 2023

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

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