論文の概要: Neurosymbolic AI for Reasoning on Graph Structures: A Survey

• arxiv url: http://arxiv.org/abs/2302.07200v1
• Date: Tue, 14 Feb 2023 17:24:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 14:51:35.766356
• Title: Neurosymbolic AI for Reasoning on Graph Structures: A Survey
• Title（参考訳）: グラフ構造の推論のためのニューロシンボリックAI:サーベイ
• Authors: Lauren Nicole DeLong, Ramon Fern\'andez Mir, Matthew Whyte, Zonglin Ji, Jacques D. Fleuriot (The University of Edinburgh School of Informatics, Artificial Intelligence and its Applications Institute)
• Abstract要約: グラフ構造上のニューロシンボリック推論タスクを実行する手法を幅広く調査する。 我々はそれらを分類できる新しい分類法を提案する。
• 参考スコア（独自算出の注目度）: 0.640572122438628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neurosymbolic AI is an increasingly active area of research which aims to combine symbolic reasoning methods with deep learning to generate models with both high predictive performance and some degree of human-level comprehensibility. As knowledge graphs are becoming a popular way to represent heterogeneous and multi-relational data, methods for reasoning on graph structures have attempted to follow this neurosymbolic paradigm. Traditionally, such approaches have utilized either rule-based inference or generated representative numerical embeddings from which patterns could be extracted. However, several recent studies have attempted to bridge this dichotomy in ways that facilitate interpretability, maintain performance, and integrate expert knowledge. Within this article, we survey a breadth of methods that perform neurosymbolic reasoning tasks on graph structures. To better compare the various methods, we propose a novel taxonomy by which we can classify them. Specifically, we propose three major categories: (1) logically-informed embedding approaches, (2) embedding approaches with logical constraints, and (3) rule-learning approaches. Alongside the taxonomy, we provide a tabular overview of the approaches and links to their source code, if available, for more direct comparison. Finally, we discuss the applications on which these methods were primarily used and propose several prospective directions toward which this new field of research could evolve.
• Abstract（参考訳）: ニューロシンボリックAIは、象徴的推論手法とディープラーニングを組み合わせることで、高い予測性能とある程度の人間レベルの理解性の両方を持つモデルを生成することを目的とした、ますます活発な研究分野である。 知識グラフは異種・多関係的なデータを表現するための一般的な方法になりつつあるため、グラフ構造を推論する手法はこのニューロシンボリックパラダイムに従おうとしている。 従来、そのようなアプローチは規則に基づく推論か、パターンを抽出できる代表的な数値埋め込みのいずれかを使用してきた。 しかし、近年のいくつかの研究は、この二分法を解釈しやすくし、性能を維持し、専門家の知識を統合する方法で橋渡ししようと試みている。 本稿では,神経シンボリック推論タスクをグラフ構造上で実行する手法について検討する。 様々な方法をよく比較するために,分類可能な新しい分類法を提案する。 具体的には,(1)論理的に変形した組込みアプローチ,(2)論理制約付き組込みアプローチ,(3)ルール学習アプローチの3つのカテゴリを提案する。 分類と並行して,より直接的な比較のために,アプローチの概要とソースコードへのリンクを提供する。 最後に,これらの手法が主に用いられたアプリケーションについて議論し,この新たな研究分野が発展するであろういくつかの展望的方向性を提案する。

関連論文リスト

• Improving Neural-based Classification with Logical Background Knowledge [0.0]
  本稿では,提案する背景知識を用いた教師付きマルチラベル分類のための新しい定式化を提案する。 推論時に意味条件付けと呼ばれる新しいニューロシンボリック手法を導入する。 本稿では、他の2つの一般的なニューロシンボリック技術に対する理論的および実践的優位性について論じる。
  論文  参考訳（メタデータ） (2024-02-20T14:01:26Z)
• Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
  この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。 我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。 これらの手法間の関係を解析し,その強みと限界を比較する。
  論文  参考訳（メタデータ） (2024-02-02T14:32:42Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• ReOnto: A Neuro-Symbolic Approach for Biomedical Relation Extraction [3.263873198567265]
  ReOnto Relation extract (RE)は、文中のエンティティ間の意味関係を抽出し、語彙で定義された関係に整合させるタスクである。 本稿では,REタスクに神経記号的知識を活用する新しい手法を提案する。 BioRel と ADE の2つの公開バイオメディカルデータセットによる実験結果から,本手法がすべての基準値を上回っていることが確認された。
  論文  参考訳（メタデータ） (2023-09-04T05:36:58Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing [23.783111050856245]
  本稿では,これらのルールと強化学習を用いたニューラルマルチホップ推論手法を組み合わせた新しい手法を提案する。 バイオメディカル知識グラフHetionetに本手法を適用し,本手法がいくつかのベースライン法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-10T10:32:08Z)
• Neural-Symbolic Relational Reasoning on Graph Models: Effective Link Inference and Computation from Knowledge Bases [0.5669790037378094]
  モデルにそのような経路を含む知識グラフの最小限のネットワークを埋め込むことにより、すべての経路を学習するニューラルネットワークのシンボリックグラフを提案する。 単語の埋め込みに対応する実体と事実の表現を学習することにより、モデルをエンドツーエンドでトレーニングし、それらの表現をデコードし、関係性アプローチでエンティティ間の関係を推論する方法を示す。
  論文  参考訳（メタデータ） (2020-05-05T22:46:39Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。