A Neuro-Symbolic Framework for Answering Graph Pattern Queries in Knowledge Graphs

要約

不完全なナレッジ グラフに対するグラフ クエリに答えるという課題は、機械学習コミュニティで大きな注目を集めています。
神経象徴モデルは、優れたパフォーマンスと高い解釈可能性を組み合わせた、有望なアプローチとして浮上しています。
これらのモデルは、トレーニングされたアーキテクチャを利用してアトミック クエリを実行し、シンボリック クエリ演算子を模倣するモジュールを統合します。
ただし、ほとんどのニューロシンボリック クエリ プロセッサは、ツリー状のグラフ パターン クエリに制限されています。
これらのクエリでは、リーフに定数値またはアンカー、ルートにターゲット変数を使用したボトムアップ実行が可能です。
表現力豊かなツリー状のクエリでは、エンティティ間の複数のエッジの存在や三角形の存在など、ナレッジ グラフの重要なプロパティをキャプチャできません。
不完全な知識グラフに対する任意のグラフ パターン クエリに答えるためのフレームワークを導入します。これには、循環クエリと、存在的に定量化された葉を持つツリー状クエリの両方が含まれます。
これらのクラスのクエリは実際のアプリケーションには不可欠ですが、現在のほとんどの神経記号モデルの範囲を超えています。
私たちのアプローチは、循環パターンの非循環トラバーサルを容易にする近似スキームを採用しており、それによって追加の記号バイアスがクエリ実行プロセスに埋め込まれます。
実験による評価では、フレームワークが 3 つのデータセットで競合的に動作し、近似戦略を通じて循環クエリを効果的に処理していることが実証されました。
さらに、アンカーされたツリー状のクエリに対する既存のニューロシンボリック モデルのパフォーマンスを維持し、その機能を存在的に定量化された変数を使用したクエリに拡張します。

要約(オリジナル)

The challenge of answering graph queries over incomplete knowledge graphs is gaining significant attention in the machine learning community. Neuro-symbolic models have emerged as a promising approach, combining good performance with high interpretability. These models utilize trained architectures to execute atomic queries and integrate modules that mimic symbolic query operators. However, most neuro-symbolic query processors are constrained to tree-like graph pattern queries. These queries admit a bottom-up execution with constant values or anchors at the leaves and the target variable at the root. While expressive, tree-like queries fail to capture critical properties in knowledge graphs, such as the existence of multiple edges between entities or the presence of triangles. We introduce a framework for answering arbitrary graph pattern queries over incomplete knowledge graphs, encompassing both cyclic queries and tree-like queries with existentially quantified leaves. These classes of queries are vital for practical applications but are beyond the scope of most current neuro-symbolic models. Our approach employs an approximation scheme that facilitates acyclic traversals for cyclic patterns, thereby embedding additional symbolic bias into the query execution process. Our experimental evaluation demonstrates that our framework performs competitively on three datasets, effectively handling cyclic queries through our approximation strategy. Additionally, it maintains the performance of existing neuro-symbolic models on anchored tree-like queries and extends their capabilities to queries with existentially quantified variables.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google