- 知识图谱推理:自我监督强化学习
强化学习通过自我监督预训练方法改进了知识图谱推理任务的性能,解决了动作空间大的挑战和分布不匹配问题,并且超过了现有的最先进结果。
- 通过奖励塑造技术增强多跳知识图推理
利用强化学习和 BERT 嵌入来改进多跳知识图谱推理的方法,以提高知识图谱推理的准确性和鲁棒性。
- LLM-ARK:大型语言模型在知识图谱推理中的应用:深度强化学习
LLM-ARK 是一种基于大型语言模型和知识图谱推理的代理技术,通过 FTE 提示和 PPO 在线策略梯度强化学习算法,能够有效地提供多跳推理问题的高效解决方法。
- 图代理:图的明确推理代理
通过将图结构转换为文本数据,Graph Agent(GA)将大型语言模型(LLMs)、归纳推理模块和长期记忆与符号推理和现有图嵌入方法相结合,为复杂的图推理任务提供了一种创新方法,实现了与人类可解释的解释一起进行处理、推理和预测,并通过对节 - EMNLP增强关系规则以提升知识图谱链接预测
提出了一种新的知识图推理方法,Relational rUle eNhanced Graph Neural Network (RUN-GNN),通过查询相关的融合门单元来建模关系组合的连续性,并利用缓冲更新机制来减轻滞后的实体信息传播的负面影 - 基于结构导向的多模态预训练变压器用于知识图谱推理
我们提出了图结构引导的多模态预训练变换器(SGMPT)用于知识图谱推理,它采用图结构编码器来进行结构特征编码,并采用加权求和和对齐约束两种不同策略的结构引导融合模块,将结构信息注入文本和视觉特征,实验证明了 SGMPT 在多模态 KGR 方 - 知识图谱推理的逻辑扩散
提出了一种名为 Logic Diffusion(LoD)的插件模块,采用关系扩散和随机游走子逻辑采样的方式,辅以梯度自适应训练机制和新型损失函数,在训练或测试集中面对嘈杂数据时能够实现强大的逻辑扩散,与现有知识图谱推理模型相比,LoD 可以 - 实体和数值知识图谱推理
本文提出了一种基于数量推理的复杂逻辑查询解答方法,使用 Number Reasoning Network 框架来分别编码实体和数值,实现了关于数值和实体值的不同处理后,有效地解答了问题,并在三个不同的知识图上获得了最新的状态
- 无归之河:用图渗透嵌入进行高效知识图谋推理
本文研究了基于图神经网络(GNN)的嵌入技术在知识图谱(KG)推理中的应用。第一次将路径编码和信息传递方法中的路径冗余问题,与模型训练中的转换误差联系起来,提出了一种新的 KG 推理理论和高效的实践方法,即通过最小化熵的信息传递来维护最短路 - 知识图谱推理的安全风险
这篇研究论文讨论了知识图谱推理的安全威胁和 ROAR 攻击,通过实证评估,探讨了潜在的应对措施和未来的研究方向。
- 稀疏和局部网络用于超图推理
本文介绍了一种使用稀疏和局部超图神经网络(SpaLoc)学习解决大规模实际领域中这种问题的方法,其利用稀疏矩阵表示和信息足够性的抽样过程,提高了学习和推理的效率,并在几个实际且大规模的知识图谱推理基准测试中实现了最先进的性能。
- 知识图谱上的复杂查询回答的顺序查询编码
本文提出了顺序查询编码 (SQE) 来替代 CQA 的查询编码方法,并证明了在 FB15k、FB15k-237 和 NELL 等数据集上,SQE 在处理逻辑查询时表现优异。
- 知识图谱推理在图类型上的调查:静态、动态和多模态
该研究论文为知识图谱推理提供了一种静态模型,其目的是在知识图谱上推出新的事实,概述了静态、时间性和多模态 KGR 模型的检测,探讨了相应的数据集和挑战。
- 基于神经符号化的规则嵌入知识图谱推理
本文提出了一种名为 RulE 的框架,它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量,RulE 可以以软方式进行逻辑推断,并为每个规则分配置信度分数,从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验, - A*Net: 一种适用于知识图谱的可扩展基于路径推理方法
本文介绍了一种基于路径的知识图谱推理方法 A*Net,通过学习一个优先级函数,选择重要节点和边,以在训练和推理中降低时间和内存开销,成功在大规模数据集上实现了高效的推理,是迄今为止第一个具有这种规模的基于路径的知识图谱推理方法。
- FLEX: 面向复杂知识图谱推理的特征逻辑嵌入框架
我们提出了一个名为 FLEX 的新的 KGR 框架,它不仅能够真正地处理所有 FOL 操作,包括合取、析取、否定等,而且还支持各种特征空间,结果表明,在基准数据集上,FLEX 明显优于现有的最先进方法。
- 结合逻辑推理和嵌入的知识图谱推理:调查与展望
本文综述了基于符号逻辑和基于嵌入式方法相结合的知识图谱 (KG) 推理方法的最新研究进展,并讨论了这两种方法相结合的优势、分类和挑战。
- EMNLP采用规则指导的协作智能体学习知识图谱推理
本文介绍了一种名为 RuleGuider 的算法,它通过整合高质量的基于符号的规则,为基于游走的代理提供奖励监督,以提高其性能。在基准数据集上的实验结果表明,RuleGuider 提高了基于游走的模型的性能而不失可解释性。
- ICLR大规模知识图谱推理的动态修剪信息传递网络
本研究提出了基于动态修剪的消息传递网络 (DPMPN) 来进行大规模知识图谱推理,该模型使用图形式的注意力机制来动态构造和扩展子图,并且能够对输入进行建模,可同时提供图形式的解释和准确的预测,并在知识库完成任务中胜过大部分现有方法。