Core Concepts
本論文は、知識グラフ推論のための最先端の GNN がどのようなルール構造を学習できるかを分析し、その理論的根拠を明らかにする。さらに、提案する EL-GNN は、QL-GNN では学習できないルール構造を学習できることを示す。
Abstract
本論文は、知識グラフ推論のための最先端の GNN の表現力を分析している。
まず、NBFNet、RED-GNN などの最先端 GNN を統一的な枠組み「QL-GNN」にまとめ、その論理的表現力を分析した。具体的には、QL-GNN が学習できるルール構造は、グレード・モーダル論理 (CML) で記述できるものに限定されることを示した。
次に、QL-GNNでは学習できないルール構造を学習するために、新しい手法「EL-GNN」を提案した。EL-GNNは、QL-GNNに加えて定数を導入することで、より広範なルール構造を学習できる。
実験では、合成データセットを用いて理論的分析を検証し、さらに実データセットでも EL-GNNの有効性を確認した。
Stats
QL-GNNは、CML[G, h]で記述できるルール構造を学習できる。
EL-GNNは、CML[G, h, c1, c2, ..., ck]で記述できるルール構造を学習できる。