Jun, 2024

图神经网络的逻辑精炼

PDF
TL;DR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。
logic based interpretable modelgraphsgraph neural networkdecision-tree based modelfirst-order logic
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 关于聚合组合图神经网络推理的逻辑

    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

  • 校准和提升多关系和时间图上 GNN 的逻辑表达能力

    在这篇论文中，我们研究了图神经网络的逻辑表达能力，特别是其作为多关系图上的布尔节点分类器的能力，并提出了一种简单的图转换技术来增强图神经网络的表达能力。我们还将研究扩展到了时间图上，并通过实验证明了我们的发现。

    Nov, 2023

  • 探究图神经网络的内部逻辑及其逻辑性质

    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。

    Aug, 2022

  • 无图神经网络：通过蒸馏教老 MLPs 新技巧

    使用知识蒸馏技术将图神经网络（GNNs）和多层感知器（MLPs）相结合，提出了无图依赖的神经网络 GLNNs，并在 7 个数据集的生产环境中证明其比 GNNs 更快且准确率接近，适用于延迟受限的应用程序。

    Oct, 2021

  • 利用逻辑规则开发深度神经网络

    这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

    Mar, 2016

  • 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