当无路通罗马：系统神经关系推理的基准测试
人工智能
2025-10-28 v1 机器学习
摘要
设计能够以系统方式学习推理的模型是一个重要且长期的挑战。近年来，针对系统关系推理的具体情况，已经提出了广泛的解决方案，包括神经符号方法、Transformer 架构的变体以及专门的图神经网络。然而，现有的系统关系推理基准侧重于一个过度简化的设定，基于推理可以简化为组合关系路径的假设。事实上，这个假设被硬编码到几个近期模型的架构中，导致这些方法在现有基准上表现良好，但难以推广到其他设定。为了支持神经网络系统关系推理领域的进一步进展，我们引入了 NoRA，一个新的基准，它增加了几个难度级别，并要求模型超越基于路径的推理。
引用
@article{arxiv.2510.23532,
title = {When No Paths Lead to Rome: Benchmarking Systematic Neural Relational Reasoning},
author = {Anirban Das and Irtaza Khalid and Rafael Peñaloza and Steven Schockaert},
journal= {arXiv preprint arXiv:2510.23532},
year = {2025}
}
备注
accepted at NeurIPS 2025 D&B track