BoolGebra：属性图学习用于布尔代数操作

Jan, 2024

BoolGebra：属性图学习用于布尔代数操作

BoolGebra: Attributed Graph-learning for Boolean Algebraic Manipulation

Yingjie Li, Anthony Agnesina, Yanqing Zhang, Haoxing Ren, Cunxi Yu

TL;DR本文介绍了 BoolGebra，一种新的属性图学习方法，用于布尔代数运算，旨在改进基本逻辑综合。BoolGebra 采用图神经网络和从结构和功能信息中提取的初始特征嵌入作为输入。使用全连接神经网络作为预测器进行直接优化结果预测，显著减小了搜索空间，并高效定位优化空间。实验中使用训练模型对特定设计和跨设计推理进行训练，BoolGebra 展示了跨设计推理的通用性和从小型简单训练数据集到大型复杂推理数据集的可扩展性。最后，BoolGebra 与现有综合工具 ABC 集成，实施端到端逻辑最小化评估，与 SOTA 基线相比。

Abstract

boolean algebraic manipulation is at the core of logic synthesis in Electronic Design Automation (EDA) design flow. Existing methods struggle to fully exploit optimization opportunities, and often suffer from an

boolean algebraic manipulation logic synthesis graph-learning approach neural network optimization space

发现论文，激发创造

布尔矩阵逻辑编程在基因功能的活性学习中的应用于基因组规模代谢网络模型

将逻辑机器学习技术应用于细胞工程和生物学发现，以促进基因组规模代谢网络模型的学习与优化，进而创建一个自主驾驶微生物工程实验室。

May, 2024

Knowledgebra: 一个面向知识图谱的代数学习框架

本文提出了一种基于代数结构的 Knowledgebra（知识代数）数学语言，分析了五个不同的代数属性，证明了半群关系嵌入是一般知识图谱关系嵌入最合理的代数结构，提出了一个实例化模型 SemE，使用简单的矩阵半群具有最好的性能，同时提出了一种基于正则化的方法，在嵌入训练中融合人类知识派生的链式逻辑规则，为深度学习和代数推理的结合提供了一种可能性。

Apr, 2022

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

属性图上的深度贝叶斯优化

本文提出了一种基于深度图神经网络的可扩展深度图贝叶斯优化方法，用于优化具有上下文特征的 attributed graphs 的 graph structure，解决了传统模型自由方法计算时间长的问题，并在分子发现和城市道路网络设计等人工和真实问题上得到了有效的验证。

May, 2019

通过学习的概念逻辑组合来实现 GNN 的全球可解释性

GLGExplainer 是一种全局解释器，它能够生成作为图形概念逻辑公式的本地解释的任意布尔组合，从而提供准确和人类可解释的全局解释，这使得 GLGExplainer 成为有前途的用于学习 GNN 的诊断工具。

Oct, 2022

GraSS: 将图神经网络与专家知识结合，用于 SAT 求解器选择

通过三分图表示的实例和异构图神经网络模型，我们提出了一种基于 GraSS 的自动 SAT 求解器选择方法，该方法使用了特定领域决策，如新的节点特征设计、图中子句的位置编码、针对三分图的 GNN 架构以及运行时间敏感的损失函数，通过广泛的实验，我们证明了这种组合对于七种最先进的求解器来说在回路设计基准测试和 2022 SAT 大赛 20 年纪念赛道的实例中都能提高运行时间。

May, 2024

通过神经逻辑网络学习算法

提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

Apr, 2019

边属性二分图中的有效边表示学习

本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法，针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务，通过因式特征传播 (Factorized Feature Propagation) 方案加以改进，充分考虑到来自 U 和 V 两个异构节点集的影响，实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验，验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性，与最佳基准模型相比，EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%，在曲线下面积 (AUC) 方面提高 1.86%。

Jun, 2024

属性图模式学习：利用可训练属性的图模式进行预测性图挖掘

通过结合近端梯度下降和图挖掘树搜索，本文提出了一种针对属性图数据的可解释分类算法 LAGRA（Learning Attributed GRAphlets），能够同时学习重要性权重和属性向量，从而获得对于区分不同类别有很大贡献的子图结构和属性向量的组合，同时将所有训练数据集中的子图结构视为候选的 AG（attributed graphlets）的结构，通过剪枝策略来提高计算效率并保持解决方案的质量，实验证明 LAGRA 在可解释的方式下仅使用少量 AGs 就能具有优秀的预测性能。

Feb, 2024

图神经网络的逻辑

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