論文の概要: Towards Unified Neurosymbolic Reasoning on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2507.03697v1
• Date: Fri, 04 Jul 2025 16:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.840652
• Title: Towards Unified Neurosymbolic Reasoning on Knowledge Graphs
• Title（参考訳）: 知識グラフの統一的ニューロシンボリック推論に向けて
• Authors: Qika Lin, Fangzhi Xu, Hao Lu, Kai He, Rui Mao, Jun Liu, Erik Cambria, Mengling Feng,
• Abstract要約: 知識グラフ推論(KG)は人工知能と知識工学の分野で大きな注目を集めている。 我々は、KG推論のための統合されたニューロシンボリック推論フレームワーク、すなわちTunsrを提案する。
• 参考スコア（独自算出の注目度）: 37.22138524925735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Graph (KG) reasoning has received significant attention in the fields of artificial intelligence and knowledge engineering, owing to its ability to autonomously deduce new knowledge and consequently enhance the availability and precision of downstream applications. However, current methods predominantly concentrate on a single form of neural or symbolic reasoning, failing to effectively integrate the inherent strengths of both approaches. Furthermore, the current prevalent methods primarily focus on addressing a single reasoning scenario, presenting limitations in meeting the diverse demands of real-world reasoning tasks. Unifying the neural and symbolic methods, as well as diverse reasoning scenarios in one model is challenging as there is a natural representation gap between symbolic rules and neural networks, and diverse scenarios exhibit distinct knowledge structures and specific reasoning objectives. To address these issues, we propose a unified neurosymbolic reasoning framework, namely Tunsr, for KG reasoning. Tunsr first introduces a consistent structure of reasoning graph that starts from the query entity and constantly expands subsequent nodes by iteratively searching posterior neighbors. Based on it, a forward logic message-passing mechanism is proposed to update both the propositional representations and attentions, as well as first-order logic (FOL) representations and attentions of each node. In this way, Tunsr conducts the transformation of merging multiple rules by merging possible relations at each step. Finally, the FARI algorithm is proposed to induce FOL rules by constantly performing attention calculations over the reasoning graph. Extensive experimental results on 19 datasets of four reasoning scenarios (transductive, inductive, interpolation, and extrapolation) demonstrate the effectiveness of Tunsr.
• Abstract（参考訳）: 知識グラフ推論(KG)は、新たな知識を自律的に推論し、ダウンストリームアプリケーションの可用性と精度を高める能力によって、人工知能と知識工学の分野で大きな注目を集めている。 しかし、現在の手法は、主に神経的または象徴的な推論の一形態に集中しており、両方のアプローチの本質的な強みを効果的に統合することができない。 さらに、現在の一般的な手法は、主に1つの推論シナリオに対処することに焦点を当て、現実世界の推論タスクの多様な要求を満たす際の制限を提示している。 記号規則とニューラルネットワークの間には自然な表現ギャップがあり、多様なシナリオは異なる知識構造と特定の推論目的を示すため、ニューラルネットワークと記号的手法を統一するだけでなく、一つのモデルにおける多様な推論シナリオも困難である。 これらの問題に対処するため、我々はKG推論のための統合された神経象徴的推論フレームワークTunsrを提案する。 Tunsrはまず、クエリエンティティから始まる推論グラフの一貫した構造を導入し、後続のノードを反復的に検索することで絶えず拡張する。 これに基づいて、各ノードの命題表現と注意、一階述語論理(FOL)表現と注意の両方を更新するフォワードロジックメッセージパッシング機構が提案されている。 このように、Tunsrは、各ステップで可能な関係をマージすることによって、複数のルールをマージする変換を行う。 最後に、FARIアルゴリズムは、推論グラフ上で常に注意計算を行うことにより、FOLルールを誘導する。 4つの推論シナリオ(トランスダクティブ、インダクティブ、補間、外挿)の19のデータセットに対する大規模な実験結果から、Tunsrの有効性が示された。

関連論文リスト

• Think before You Simulate: Symbolic Reasoning to Orchestrate Neural Computation for Counterfactual Question Answering [9.875621856950408]
  本稿では,反現実的推論のためのニューロシンボリックモデルを強化する手法を提案する。 我々は因果関係を表すために因果グラフの概念を定義する。 提案手法の有効性を2つのベンチマークで検証する。
  論文  参考訳（メタデータ） (2025-06-12T14:37:11Z)
• On the Diagram of Thought [12.304069891580658]
  現在の大規模言語モデル(LLM)は印象的な能力を示しているが、複雑な多段階推論タスクに苦労している。 1つの自己回帰型LCMが内部で構成し、DAG(Directed Acyclic Graph)をナビゲートするフレームワークとして、Diagram of Thought(DoT)を紹介した。 本研究は,適切なトポ内の図式として推論DAGを定式化し,検証された情報を集約する最終段階が関連するサブダイアグラムのコリミットの計算に意味的に対応していることを証明する。
  論文  参考訳（メタデータ） (2024-09-16T07:01:41Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Learning Differentiable Logic Programs for Abstract Visual Reasoning [22.167393386879294]
  微分フォワード推論は、勾配に基づく機械学習パラダイムと推論を統合するために開発された。 NEUMANNはグラフベースの微分可能フォワード推論器で、メッセージをメモリ効率のよい方法で送信し、構造化プログラムを関手で処理する。 NEUMANNは視覚的推論タスクを効率的に解き、神経、象徴的、神経-象徴的ベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-03T11:02:40Z)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Neural Logic Reasoning [47.622957656745356]
  本稿では,ディープラーニングと論理推論の能力を統合するために,論理統合ニューラルネットワーク(LINN)を提案する。 LINNは、神経モジュールとしてAND、OR、NOTなどの基本的な論理操作を学び、推論のためにネットワークを通して命題論理推論を行う。 実験の結果、LINNはTop-Kレコメンデーションにおいて最先端のレコメンデーションモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-20T14:53:23Z)

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。