图距离即惊奇：知识图谱推理中的自由能最小化
人工智能
2025-12-02 v1
摘要
在这项工作中，我们提出知识图谱（KG）网络中的推理可以通过惊奇最小化来引导。在图距离上接近的实体比相距较远的实体具有更低的惊奇度。这将神经科学中的自由能原理（FEP）与 KG 系统联系起来，其中 KG 充当智能体的生成模型。我们使用有向图中的最短路径距离来形式化惊奇，并为基于 KG 的智能体提供了一个框架。图距离在图神经网络中表现为消息传递深度，在基于模型的强化学习中表现为世界模型轨迹。这项进行中的工作探讨了基于距离的惊奇是否可以扩展最近的工作，该工作表明句法通过树结构最小化惊奇和自由能。
引用
@article{arxiv.2512.01878,
title = {Graph Distance as Surprise: Free Energy Minimization in Knowledge Graph Reasoning},
author = {Gaganpreet Jhajj and Fuhua Lin},
journal= {arXiv preprint arXiv:2512.01878},
year = {2025}
}
备注
Accepted to NORA Workshop at NeurIPS 2025