Neurosymbolic AI for Reasoning on Graph Structures: A Survey

要約

ニューロシンボリック AI は、シンボリック推論法とディープ ラーニングを組み合わせて、高い予測性能とある程度の人間レベルの理解性の両方を備えたモデルを生成することを目的とした、ますます活発な研究分野です。
ナレッジ グラフは、異種データや多関係データを表現する一般的な方法になりつつあるため、グラフ構造を推論する方法は、この神経記号パラダイムに従うことを試みています。
従来、このようなアプローチは、ルールベースの推論を利用するか、パターンを抽出できる代表的な数値埋め込みを生成してきました。
ただし、最近のいくつかの研究では、解釈可能性を促進し、パフォーマンスを維持し、専門知識を統合する方法で、この二分法を橋渡ししようと試みています。
この記事では、グラフ構造で神経記号推論タスクを実行するさまざまな方法を調査します。
さまざまな方法をよりよく比較するために、それらを分類できる新しい分類法を提案します。
具体的には、(1) 論理的に情報に基づいた埋め込みアプローチ、(2) 論理的制約を伴う埋め込みアプローチ、(3) ルール学習アプローチの 3 つの主要なカテゴリを提案します。
分類に加えて、より直接的な比較のために、可能な場合はアプローチの概要とソース コードへのリンクを表形式で提供します。
最後に、これらの方法が主に使用されたアプリケーションについて説明し、この新しい研究分野が発展する可能性のあるいくつかの将来の方向性を提案します。

要約(オリジナル)

Neurosymbolic AI is an increasingly active area of research which aims to combine symbolic reasoning methods with deep learning to generate models with both high predictive performance and some degree of human-level comprehensibility. As knowledge graphs are becoming a popular way to represent heterogeneous and multi-relational data, methods for reasoning on graph structures have attempted to follow this neurosymbolic paradigm. Traditionally, such approaches have utilized either rule-based inference or generated representative numerical embeddings from which patterns could be extracted. However, several recent studies have attempted to bridge this dichotomy in ways that facilitate interpretability, maintain performance, and integrate expert knowledge. Within this article, we survey a breadth of methods that perform neurosymbolic reasoning tasks on graph structures. To better compare the various methods, we propose a novel taxonomy by which we can classify them. Specifically, we propose three major categories: (1) logically-informed embedding approaches, (2) embedding approaches with logical constraints, and (3) rule-learning approaches. Alongside the taxonomy, we provide a tabular overview of the approaches and links to their source code, if available, for more direct comparison. Finally, we discuss the applications on which these methods were primarily used and propose several prospective directions toward which this new field of research could evolve.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google