非ユークリッド空間におけるニューラル-シンボリック論理クエリ解答

要約: 知識グラフ上の複雑な一階述語論理（FOL）クエリに回答することは、推論にとって不可欠である。シンボリック手法は解釈性を提供するが、欠落したグラフには苦戦する一方、ニューラル手法はよりよく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長所を統合することを目指すが、しばしば論理クエリの階層構造を捉えきれず、その有効性を制限する。私たちは HYQNET を提案する。ハイパーボリック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。HYQNET は FOL クエリを関係射影とファジィ集合上の論理演算に分解し、解釈性を高める。欠落リンクに対処するために、ハイパーボリック空間での知識グラフ補完のためのハイパーボリック GNN ベースのアプローチを採用し、再帰クエリ木を効果的に埋め込みつつ構造的依存関係を保持する。ハイパーボリック表現を用いることにより、HYQNET はユークリッド空間ベースのアプローチよりも、論理射影推論の階層的性質をより効果的に捕捉する。3つのベンチマークデータセットでの実験は、HYQNET が高い性能を達成することを示しており、ハイパーボリック空間での推論の利点を強調している。