知识增强的图神经网络
本篇研究通过探索评分函数和损失函数的设计,发现相比于复杂的图神经网络,简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现,在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。
May, 2022
KGNN 框架采用 GNN 编码器和知识感知解码器,旨在以细粒度的方式共同探索高阶结构和属性信息,同时在知识图谱中保留关系模式,并在链接预测和三元组分类任务上展示了其有效性和可扩展性。
May, 2022
本文研究了半监督图分类问题及其解决方法的一种 KGNN 模型,在该模型中,图神经网络(GNN)结合基于内存的核网络进行分类,通过学习图表示并使用图内核来有效地使用标记的图和未标记的图。实验证明,KGNN 比竞争基线方法表现出更好的性能。
May, 2022
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
人工智能的快速发展,特别是通过深度神经网络,已经在视觉和文本处理等领域取得了显著进展。但是,实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来,提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展,阐明了知识图谱在三个关键类别中支撑着这种一体化:通过引入符号知识来增强神经网络的推理和可解释性(Symbol for Neural),通过神经网络方法来提高符号系统的完整性和准确性(Neural for Symbol),以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势,并提出了神经符号人工智能领域未来研究的方向。
May, 2024
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
知识图谱是许多数据密集型应用程序的基础,它们能够表示数据及其含义和上下文。本文通过检查当前知识图谱对齐的现状并探索神经符号集成的潜力,突出结合这些领域的有希望的研究方向。
Oct, 2023
在节点分类的背景下,本文理论上证明了在超图上,大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN,我们提出了一种简单高效的框架 WCE-GNN,用于超图节点分类,并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性,以及更好的内存和运行时效率。
Feb, 2024