关系图卷积网络无法学习健全规则

图神经网络（GNN）常用于预测知识图谱中的缺失事实。受这些模型输出缺乏可解释性的启发，近期研究旨在使用Datalog（一种广泛使用的基于逻辑的形式化方法）来解释其预测。然而，此类工作仅限于GNN的某些子类。在本文中，我们考虑了KGs中最流行的GNN架构之一——R-GCN，并提供了两种方法来提取能够解释其预测的规则，这些规则是健全的，即规则推导出的每个事实也被GNN预测，适用于任何输入数据集。此外，我们提供了一种方法来验证某些类别的Datalog规则对于R-GCN是不健全的。在我们的实验中，我们在KG补全基准上训练R-GCN，并能够验证对于这些模型没有任何Datalog规则是健全的，即使这些模型通常获得高到接近完美的准确率。这引发了对R-GCN模型泛化能力及其预测可解释性的一些担忧。我们进一步提供了R-GCN训练范式的两种变体，鼓励其学习健全规则，并在模型准确率与学到的健全规则数量之间找到权衡。