基于动态剪枝的神经符号消息传递
机器学习
2025-01-27 v1 人工智能
摘要
复杂查询答案（Complex Query Answering, CQA）是不完整知识图谱（Knowledge Graphs, KGs）上的一个具有挑战性的任务。最近提出了一系列基于消息传递的研究方法来解决CQA问题。然而，这些方法在负查询上表现不佳，无法解决查询图中变量节点之间噪声消息问题。此外，它们提供的解释性有限，需要复杂的查询数据和资源密集型训练。在本文中，我们提出基于预训练神经链接预测器的神经符号消息传递（Neural-Symbolic Message Passing, NSMP）框架。通过引入符号推理和模糊逻辑，NSMP能够在无需训练的情况下推广到任意满足存在一阶逻辑查询，并提供可解释答案。进一步，我们引入动态剪枝策略以过滤变量节点之间噪声消息。实验结果表明，NSMP取得了强劲的性能。此外，通过复杂度分析和经验验证，我们证明了NSMP在推理时间上的优势，相对于当前最先进的神经符号方法，在基准数据集上实现了从2倍到150倍以上的加速。
引用
@article{arxiv.2501.14661,
title = {Neural-Symbolic Message Passing with Dynamic Pruning},
author = {Chongzhi Zhang and Junhao Zheng and Zhiping Peng and Qianli Ma},
journal= {arXiv preprint arXiv:2501.14661},
year = {2025}
}
备注
19 pages, 5 figures, 16 tables