論文の概要: Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model

• arxiv url: http://arxiv.org/abs/2510.11462v1
• Date: Mon, 13 Oct 2025 14:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.40604
• Title: Unifying Deductive and Abductive Reasoning in Knowledge Graphs with Masked Diffusion Model
• Title（参考訳）: マスク拡散モデルを用いた知識グラフにおける帰納的推論と帰納的推論の統一
• Authors: Yisen Gao, Jiaxin Bai, Yi Huang, Xingcheng Fu, Qingyun Sun, Yangqiu Song,
• Abstract要約: 帰納的推論と帰納的推論は知識グラフを解析するための重要なパラダイムである。 DARKと呼ばれる知識グラフにおける帰納的・帰納的推論のための統一的なフレームワークを提案する。 DARKは, 帰納的推論タスクと帰納的推論タスクの両方において, 最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 64.31242163019242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deductive and abductive reasoning are two critical paradigms for analyzing knowledge graphs, enabling applications from financial query answering to scientific discovery. Deductive reasoning on knowledge graphs usually involves retrieving entities that satisfy a complex logical query, while abductive reasoning generates plausible logical hypotheses from observations. Despite their clear synergistic potential, where deduction can validate hypotheses and abduction can uncover deeper logical patterns, existing methods address them in isolation. To bridge this gap, we propose DARK, a unified framework for Deductive and Abductive Reasoning in Knowledge graphs. As a masked diffusion model capable of capturing the bidirectional relationship between queries and conclusions, DARK has two key innovations. First, to better leverage deduction for hypothesis refinement during abductive reasoning, we introduce a self-reflective denoising process that iteratively generates and validates candidate hypotheses against the observed conclusion. Second, to discover richer logical associations, we propose a logic-exploration reinforcement learning approach that simultaneously masks queries and conclusions, enabling the model to explore novel reasoning compositions. Extensive experiments on multiple benchmark knowledge graphs show that DARK achieves state-of-the-art performance on both deductive and abductive reasoning tasks, demonstrating the significant benefits of our unified approach.
• Abstract（参考訳）: 帰納的推論(deductive reasoning)と帰納的推論(abductive reasoning)は、知識グラフを分析するための2つの重要なパラダイムである。 知識グラフ上の帰納的推論は通常、複雑な論理的クエリを満たすエンティティを検索することを伴うが、帰納的推論は観測から妥当な論理的仮説を生成する。 推論が仮説や推論を検証し、より深い論理的パターンを発見できるような、明確な相乗的ポテンシャルにもかかわらず、既存の手法はそれらを分離して解決する。 このギャップを埋めるため,知識グラフにおける帰納的推論と帰納的推論のための統合フレームワークであるDARKを提案する。 DARKは、クエリと結論の間の双方向関係をキャプチャできるマスク付き拡散モデルとして、2つの重要なイノベーションを持っている。 まず, 帰納的推論における仮説洗練のための推論をよりよく活用するために, 帰納的推論を反復的に生成し, 結果に対する仮説の検証を行う自己回帰的認知プロセスを導入する。 第二に、よりリッチな論理的関連を見つけるために、クエリと結論を同時にマスクする論理探索強化学習手法を提案する。 複数のベンチマーク知識グラフに対する広範囲な実験により、DARKは推論タスクと帰納的推論タスクの両方において最先端のパフォーマンスを達成し、我々の統一アプローチの顕著な利点を示している。

関連論文リスト

• Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
  知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。 可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。 帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
  論文  参考訳（メタデータ） (2025-05-27T09:36:47Z)
• Advancing Abductive Reasoning in Knowledge Graphs through Complex Logical Hypothesis Generation [43.26412690886471]
  本稿では,知識グラフを用いた帰納的論理的推論への最初のステップとして,複雑な論理的仮説生成の課題を紹介する。 教師付き学習された生成モデルは、参照仮説に構造的に近い論理仮説を生成することができる。 本稿では, 知識グラフによる強化学習(Reinforcement Learning from Knowledge Graph, RLF-KG)手法を提案する。
  論文  参考訳（メタデータ） (2023-12-25T08:06:20Z)
• Phenomenal Yet Puzzling: Testing Inductive Reasoning Capabilities of Language Models with Hypothesis Refinement [92.61557711360652]
  言語モデル(LM)は、しばしば帰納的推論に不足する。 我々は,反復的仮説修正を通じて,LMの帰納的推論能力を体系的に研究する。 本研究は, LMの誘導的推論過程と人間とのいくつかの相違点を明らかにし, 誘導的推論タスクにおけるLMの使用の可能性と限界に光を当てる。
  論文  参考訳（メタデータ） (2023-10-12T17:51:10Z)

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。