論文の概要: GLIDR: Graph-Like Inductive Logic Programming with Differentiable Reasoning

• arxiv url: http://arxiv.org/abs/2508.06716v1
• Date: Fri, 08 Aug 2025 21:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.521144
• Title: GLIDR: Graph-Like Inductive Logic Programming with Differentiable Reasoning
• Title（参考訳）: GLIDR: 微分推論によるグラフ型帰納的論理プログラミング
• Authors: Blair Johnson, Clayton Kerce, Faramarz Fekri,
• Abstract要約: 本稿では,従来の手法よりも表現力のある構文で論理規則の推論をモデル化する,微分可能なルール学習手法であるGLIDRを紹介する。 GLIDRは、従来のチェーンライクなルール学習手法を一般化する、微分可能なメッセージパッシング推論アルゴリズムを使用する。 GLIDRモデルの重みから説明論理規則を抽出し、シンボリック・ソルバで使用することができる。
• 参考スコア（独自算出の注目度）: 10.11141371652077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differentiable inductive logic programming (ILP) techniques have proven effective at finding approximate rule-based solutions to link prediction and node classification problems on knowledge graphs; however, the common assumption of chain-like rule structure can hamper the performance and interpretability of existing approaches. We introduce GLIDR, a differentiable rule learning method that models the inference of logic rules with more expressive syntax than previous methods. GLIDR uses a differentiable message passing inference algorithm that generalizes previous chain-like rule learning methods to allow rules with features like branches and cycles. GLIDR has a simple and expressive rule search space which is parameterized by a limit on the maximum number of free variables that may be included in a rule. Explicit logic rules can be extracted from the weights of a GLIDR model for use with symbolic solvers. We demonstrate that GLIDR can significantly outperform existing rule learning methods on knowledge graph completion tasks and even compete with embedding methods despite the inherent disadvantage of being a structure-only prediction method. We show that rules extracted from GLIDR retain significant predictive performance, and that GLIDR is highly robust to training data noise. Finally, we demonstrate that GLIDR can be chained with deep neural networks and optimized end-to-end for rule learning on arbitrary data modalities.
• Abstract（参考訳）: 微分帰納的論理プログラミング (ILP) 技術は知識グラフ上のノード分類問題とをリンクするルールベースの近似解を見つけるのに有効であることが証明されているが、チェーンのような規則構造の一般的な仮定は、既存の手法の性能と解釈可能性を妨げる可能性がある。 本稿では,従来の手法よりも表現力のある構文で論理規則の推論をモデル化する,微分可能なルール学習手法であるGLIDRを紹介する。 GLIDRは、従来のチェーンライクなルール学習メソッドを一般化して、ブランチやサイクルなどの機能を備えたルールを許容する、微分可能なメッセージパッシング推論アルゴリズムを使用している。 GLIDRは単純かつ表現力のある規則探索空間を持ち、規則に含まれる可能性のある自由変数の最大数の制限によってパラメータ化される。 GLIDRモデルの重みから説明論理規則を抽出し、シンボリック・ソルバで使用することができる。 我々は,GLIDRが知識グラフ補完タスクにおいて既存のルール学習手法を著しく上回り,構造のみの予測手法であることに固有の欠点があるにもかかわらず,埋め込み手法と競合することを示した。 我々は,GLIDRから抽出したルールが予測性能を著しく保ち,GLIDRがデータノイズのトレーニングに極めて堅牢であることを示す。 最後に、GLIDRがディープニューラルネットワークにチェーン可能であることを実証し、任意のデータモダリティのルール学習に最適化されたエンドツーエンドを実現する。

関連論文リスト

• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Differentiable Rule Induction with Learned Relational Features [9.193818627108572]
  Rule Network(RRN)は、属性間の線形関係を表す述語とそれらを使用するルールを学習するニューラルネットワークである。 ベンチマークタスクでは、これらの述語は解釈可能性を維持するのに十分単純であるが、予測精度を改善し、アートルール誘導アルゴリズムの状態と比較してより簡潔なルールセットを提供する。
  論文  参考訳（メタデータ） (2022-01-17T16:46:50Z)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• Learning Reasoning Strategies in End-to-End Differentiable Proving [50.9791149533921]
  条件付き定理プローバーは勾配に基づく最適化により最適規則選択戦略を学習する。 条件付き定理プローサは拡張性があり、CLUTRRデータセット上で最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-13T16:22:14Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。