論文の概要: A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data
- arxiv url: http://arxiv.org/abs/2507.21873v1
- Date: Tue, 29 Jul 2025 14:43:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.472402
- Title: A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data
- Title（参考訳）: グラフデータに基づく確率的推論のためのニューロシンボリックアプローチ
- Authors: Raffaele Pojer, Andrea Passerini, Kim G. Larsen, Manfred Jaeger,
- Abstract要約: グラフネットワーク(GNN)は、しばしば記号的なドメイン知識を取り入れ、一般的な推論を行う能力に欠ける。
本稿では,GNNの学習強度とRBNの柔軟な推論能力を組み合わせることで,GNNをRBNにシームレスに統合するニューロシンボリックフレームワークを提案する。
この研究は、グラフデータに対する強力でコヒーレントなニューラルシンボリックなアプローチを導入し、新しいアプリケーションを可能にする方法で学習と推論を導入し、多様なタスクにおけるパフォーマンスを改善します。
- 参考スコア（独自算出の注目度）: 12.45190689569629
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) excel at predictive tasks on graph-structured data but often lack the ability to incorporate symbolic domain knowledge and perform general reasoning. Relational Bayesian Networks (RBNs), in contrast, enable fully generative probabilistic modeling over graph-like structures and support rich symbolic knowledge and probabilistic inference. This paper presents a neuro-symbolic framework that seamlessly integrates GNNs into RBNs, combining the learning strength of GNNs with the flexible reasoning capabilities of RBNs. We develop two implementations of this integration: one compiles GNNs directly into the native RBN language, while the other maintains the GNN as an external component. Both approaches preserve the semantics and computational properties of GNNs while fully aligning with the RBN modeling paradigm. We also propose a maximum a-posteriori (MAP) inference method for these neuro-symbolic models. To demonstrate the framework's versatility, we apply it to two distinct problems. First, we transform a GNN for node classification into a collective classification model that explicitly models homo- and heterophilic label patterns, substantially improving accuracy. Second, we introduce a multi-objective network optimization problem in environmental planning, where MAP inference supports complex decision-making. Both applications include new publicly available benchmark datasets. This work introduces a powerful and coherent neuro-symbolic approach to graph data, bridging learning and reasoning in ways that enable novel applications and improved performance across diverse tasks.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データの予測タスクに優れるが、記号的なドメイン知識を組み込んだり、一般的な推論を行う能力に欠けることが多い。
リレーショナルベイズネットワーク(RBN)とは対照的に、グラフ構造上の完全に生成可能な確率的モデリングを可能にし、豊かな記号的知識と確率的推論をサポートする。
本稿では,GNNの学習強度とRBNの柔軟な推論能力を組み合わせることで,GNNをRBNにシームレスに統合するニューロシンボリックフレームワークを提案する。
ひとつはネイティブなRBN言語にGNNを直接コンパイルし、もうひとつは外部コンポーネントとしてGNNを維持している。
どちらの手法も、RBNモデリングパラダイムと完全に整合しながら、GNNのセマンティクスと計算的性質を保存している。
また,これらのニューロシンボリックモデルに対する最大a-posteriori(MAP)推論法を提案する。
フレームワークの汎用性を実証するために、2つの異なる問題に適用する。
まず、ノード分類のためのGNNを、ホモ・ヘテロ親和性ラベルパターンを明示的にモデル化し、精度を大幅に向上する集合分類モデルに変換する。
第2に、MAP推論が複雑な意思決定をサポートする環境計画において、多目的ネットワーク最適化問題を導入する。
どちらのアプリケーションも、新しい公開ベンチマークデータセットを含んでいる。
この研究は、グラフデータ、ブリッジング学習、推論に対する強力でコヒーレントなニューロシンボリックなアプローチを導入し、新しいアプリケーションを可能にし、さまざまなタスクにおけるパフォーマンスを改善している。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - Global Minima, Recoverability Thresholds, and Higher-Order Structure in
GNNS [0.0]
ランダムグラフ理論の観点から,グラフニューラルネットワーク(GNN)アーキテクチャの性能を解析する。
合成データにおける特定の高次構造と実データにおける経験的構造の混合が、GNNの性能に劇的な影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-10-11T17:16:33Z) - Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。
LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - GNN-Ensemble: Towards Random Decision Graph Neural Networks [3.7620848582312405]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに広く応用されている。
GNNは、大量のテストデータに基づいて推論を行うために、限られた量のトレーニングデータから潜伏パターンを学習する必要がある。
本稿では、GNNのアンサンブル学習を一歩前進させ、精度、堅牢性、敵攻撃を改善した。
論文 参考訳（メタデータ） (2023-03-20T18:24:01Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。
この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。
本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
論文 参考訳（メタデータ） (2021-11-17T03:37:06Z) - Incorporating Symbolic Domain Knowledge into Graph Neural Networks [18.798760815214877]
グラフ構造化データ(グラフベースニューラルネットワーク、GNN)に特化して開発されたディープニューラルネットワーク
我々は,「頂点富化」という操作を用いて,GNNのこの側面を実証的に検討し,対応するGNNを「VEGNN」と表現する。
論文 参考訳（メタデータ） (2020-10-23T16:22:21Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳（メタデータ） (2020-09-05T16:46:56Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。