論文の概要: Neural-Symbolic Logic Query Answering in Non-Euclidean Space

• arxiv url: http://arxiv.org/abs/2603.15633v1
• Date: Wed, 25 Feb 2026 23:46:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.326473
• Title: Neural-Symbolic Logic Query Answering in Non-Euclidean Space
• Title（参考訳）: 非ユークリッド空間におけるニューラルシンボリック論理探索
• Authors: Lihui Liu,
• Abstract要約: HYQNETは、双曲空間を完全に活用する論理クエリ推論のためのニューラルシンボリックモデルである。 FOLクエリをファジィ集合上の関係プロジェクションと論理演算に分解し、解釈可能性を高める。 双曲表現を利用することで、HYQNETはユークリッドに基づくアプローチよりも効果的に論理射影推論の階層的な性質を捉えている。
• 参考スコア（独自算出の注目度）: 7.792321858331646
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Answering complex first-order logic (FOL) queries on knowledge graphs is essential for reasoning. Symbolic methods offer interpretability but struggle with incomplete graphs, while neural approaches generalize better but lack transparency. Neural-symbolic models aim to integrate both strengths but often fail to capture the hierarchical structure of logical queries, limiting their effectiveness. We propose HYQNET, a neural-symbolic model for logic query reasoning that fully leverages hyperbolic space. HYQNET decomposes FOL queries into relation projections and logical operations over fuzzy sets, enhancing interpretability. To address missing links, it employs a hyperbolic GNN-based approach for knowledge graph completion in hyperbolic space, effectively embedding the recursive query tree while preserving structural dependencies. By utilizing hyperbolic representations, HYQNET captures the hierarchical nature of logical projection reasoning more effectively than Euclidean-based approaches. Experiments on three benchmark datasets demonstrate that HYQNET achieves strong performance, highlighting the advantages of reasoning in hyperbolic space.
• Abstract（参考訳）: 知識グラフ上での複雑な一階述語論理(FOL)クエリの解答は推論に不可欠である。 シンボリック手法は解釈可能性を提供するが、不完全グラフに苦しむ一方、ニューラルアプローチはより一般化するが透明性に欠ける。 ニューラルシンボリックモデルは両方の強みを統合することを目的としているが、しばしば論理的クエリの階層構造を捉えず、その有効性を制限している。 本稿では,ハイパーボリック空間を完全に活用した論理クエリ推論のためのニューラルシンボリックモデルHYQNETを提案する。 HYQNETはFOLクエリをリレーショナルプロジェクションとファジィ集合上の論理演算に分解し、解釈可能性を高める。 欠落したリンクに対処するために、双曲的GNNベースのアプローチを用いて、双曲的空間における知識グラフ補完を行い、構造的依存関係を保ちながら、再帰的なクエリツリーを効果的に埋め込む。 双曲表現を利用することで、HYQNETはユークリッドに基づくアプローチよりも効果的に論理射影推論の階層的な性質を捉えている。 3つのベンチマークデータセットの実験では、HYQNETは双曲空間における推論の利点を強調し、高いパフォーマンスを達成することが示されている。

関連論文リスト

• On the Limits of Hierarchically Embedded Logic in Classical Neural Networks [0.0]
  各レイヤが、論理的推論の少なくとも1つのレベルをエンコードできることを示します。 我々は、特定の深さのニューラルネットワークが1つの高階論理において、述語を忠実に表現できないことを証明した。
  論文  参考訳（メタデータ） (2025-07-28T16:13:41Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• A Neuro-Symbolic Framework for Answering Graph Pattern Queries in Knowledge Graphs [17.93455358818447]
  ほとんどのニューロシンボリッククエリプロセッサは木のようなグラフパターンクエリに制約されている。 不完全な知識グラフ上で任意のグラフパターンクエリに応答するフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-10-06T21:31:17Z)
• 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)
• Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
  本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。 クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。 我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
  論文  参考訳（メタデータ） (2023-01-21T02:34:06Z)
• Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
  両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。 GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。 3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-05-16T18:39:04Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。