Dec, 2023

知识图谱上的归因逻辑推理

PDF
TL;DR提出了一种针对知识图谱的诱导逻辑推理任务的生成模型方法，该方法使用监督学习和增强学习从观测中生成逻辑假设，并借助增强学习从知识图谱中提供更好的观测解释，实验证明该方法在三个常用知识图谱上取得了最先进的结果。
abductive logical reasoningknowledge graphsgenerative approachsupervised learningreinforcement learning from the knowledge graph
发现论文，激发创造
  • 归纳常识推理

    本研究介绍了一项关于抽象推理的新研究，并提出了两个基于新数据集 ART 的任务 ——《抽象自然语言推理》和《抽象自然语言生成》。 该研究分析了当前最佳自然语言生成器的性能水平，探索了现有深度学习模型在推理能力方面的局限性，并在进一步的研究中提出了有趣的新方向。

    Aug, 2019

  • 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

  • 使用大型语言模型在知识图谱上进行复杂的逻辑推理

    本研究提出一种基于图形提取算法和大型语言模型的解耦合语言引导抽象推理方法，将复杂的知识图推理作为上下文知识图搜索和抽象逻辑查询推理的组合，显著提高了复杂查询的性能。

    May, 2023

  • 知识图谱逻辑推理的神经方法

    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

  • 针对知识图谱的归纳逻辑推理的查询结构建模

    本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。

    May, 2023

  • 多批次新出现实体归纳知识图谱推理

    本研究提出了一种基于图卷积网络和关系聚合的归纳推理模型，利用自适应关系聚合和反馈注意机制对实体进行编码和更新，并针对新实体的稀疏性问题提出了链接增强策略。实验结果表明该模型在归纳知识图谱推理方面优于现有的基于嵌入、基于行走和基于规则的模型。

    Aug, 2022

  • LLM 作为提示器：在任意知识图上进行低资源归纳推理

    利用大型语言模型 (LLMs) 并结合图结构提示的方法来增强预训练图神经网络 (GNNs) 的图谱归纳推理能力，通过实验证明该方法在低资源场景下的推理任务中表现出强大的鲁棒性和性能提升.

    Feb, 2024

  • 从原始数据中归纳出的演绎知识

    本篇论文介绍了一种称为 Abductive Meta-Interpretive Learning ($Meta_{Abd}$) 的方法，该方法结合了知识推理和归纳学习技术，从数据中共同学习神经网络和逻辑理论，并证明了该方法在预测准确性和数据效率方面的优越性，以及可以在后续学习任务中重复使用的背景知识。

    Oct, 2020

  • 通过理解生成：带有逻辑符号基础的神经视觉生成

    通过引入量化的逆向推理方法和对比性元逆推理方法，提出了一种神经符号学习方法 AbdGen，用于将逻辑编程系统与神经视觉生成模型集成，解决了符号赋值和规则学习的挑战，实验证明相比基线方法，AbdGen 在符号赋值上需要较少的实例级标记信息，并可以有效地从数据中学习潜在的逻辑生成规则。

    Oct, 2023

  • 图上推理：忠实且可解释的大型语言模型推理

    本论文提出了一种理论上基于知识图谱的新方法 —— 图推理（RoG），该方法通过将大型语言模型（LLMs）与知识图谱（KGs）相结合，实现了忠实和可解释的推理，实验结果表明 RoG 在 KG 推理任务上取得了最先进的性能。

    Oct, 2023