💻 computer science

Fully Geometric Multi-Hop Reasoning on Knowledge Graphs with Transitive Relations

L'article introduit GeometrE, une méthode de plongement géométrique pour le raisonnement multi-sauts sur les graphes de connaissances qui projette toutes les opérations logiques en transformations géométriques pures et emploie une nouvelle fonction de perte transitive pour préserver les règles logiques, atteignant une performance supérieure aux approches géométriques existantes tout en maintenant des résultats compétitifs avec les méthodes basées sur les réseaux de neurones.

Auteurs originaux : Fernando Zhapa-Camacho, Robert Hoehndorf

Publié 2026-06-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Fernando Zhapa-Camacho, Robert Hoehndorf

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une bibliothèque immense où chaque livre est relié à tous les autres par des fils invisibles. Ces fils représentent des faits : « Le chat est sur le tapis », « Le tapis est rouge » ou « Les choses rouges sont chaudes ». Cette bibliothèque est un Graphe de Connaissances.

Parfois, vous posez une question simple comme : « Qu'est-ce qui est rouge ? » (une question à un saut). Mais souvent, vous posez des questions complexes comme : « Trouvez-moi quelque chose qui est sur un tapis rouge, mais qui n'est pas un chat. » C'est une tâche de raisonnement multi-sauts. Vous devez suivre les fils, combiner les indices et filtrer les mauvaises réponses.

Le document présente un nouvel outil appelé GeometrE pour résoudre ces énigmes complexes. Voici comment il fonctionne, expliqué simplement :

1. L'ancienne méthode : la « Boîte Noire » contre la « Carte Géométrique »

Auparavant, les ordinateurs essayaient de résoudre ces énigmes de deux manières :

La méthode des Réseaux de Neurones : Considérez cela comme une boîte noire magique. Vous lui donnez une question, et elle recrache une réponse. Cela fonctionne très bien, mais vous n'avez aucune idée de comment elle a décidé. C'est comme un sorcier jetant un sort ; vous obtenez le résultat, mais vous ne comprenez pas la magie.
La méthode Géométrique : Elle tente de dessiner une carte. Elle transforme les faits en formes (comme des boîtes) sur une grille. Si vous demandez « Qu'est-ce qui est rouge ? », l'ordinateur dessine une boîte autour de toutes les choses rouges. C'est excellent car vous pouvez voir la logique. Cependant, les anciennes cartes géométriques avaient un problème : lorsqu'elles essayaient de faire des mathématiques complexes (comme « A et B, mais pas C »), elles devaient glisser un peu de la magie de la « boîte noire » à l'intérieur des formes pour que cela fonctionne. Cela brisait l'idée d'une « carte pure ».

La grande idée de GeometrE : Il crée une carte purement géométrique. Il affirme que vous n'avez besoin d'aucune magie de « boîte noire ». Chaque étape logique (ET, OU, NON) est simplement un mouvement géométrique simple et net, comme faire glisser une boîte ou découper un morceau de papier.

2. Comment GeometrE dessine la carte

Au lieu de transformer les faits en points uniques, GeometrE les transforme en boîtes (comme des boîtes en carton en 3D).

Le concept de la « Boîte » : Imaginez une boîte représentant les « Pays Européens ».
Intersection (ET) : Si vous voulez « Pays Européens ET Pays avec un Roi », GeometrE prend simplement les deux boîtes et trouve la zone de chevauchement où elles se touchent. C'est comme empiler deux boîtes transparentes et regarder l'espace où les deux existent.
Négation (NON) : C'est la partie délicate. On ne peut pas facilement dessiner « tout ce qui n'est PAS une boîte » en utilisant uniquement des boîtes. GeometrE résout cela avec une astuce ingénieuse : La Zone d'Exclusion. Au lieu de dessiner la forme du « non », il dit simplement : « La réponse doit être à l'intérieur de la boîte "Européen", mais elle doit rester loin de la boîte "Roi" ». Il repousse la réponse hors de la zone interdite sans avoir besoin de dessiner tout le reste de l'univers.

3. La chaîne « Transitive » (L'effet Domino)

Certains faits sont transitifs. Cela signifie que si A est lié à B, et que B est lié à C, alors A est automatiquement lié à C.

Exemple : « Grand-père est le père du Père » et « Père est le père du Fils » implique que « Grand-père est le père du Fils ».

Le document a remarqué que les cartes géométriques précédentes brisaient souvent cette chaîne. Elles ne pouvaient pas garantir que la boîte « Grand-père » serait logiquement connectée à la boîte « Fils » simplement en suivant les règles.

La solution de GeometrE : Il ajoute une « Perte Transitive » spéciale (une règle que l'ordinateur doit suivre pendant l'apprentissage).

Imaginez un escalier. Si vous montez de l'étage du bas à l'étage du milieu, puis du milieu au sommet, vous devez arriver au sommet.
GeometrE force l'ordinateur à disposer les boîtes sur cet « escalier » afin que l'ordre soit toujours préservé. Il garantit que si vous suivez la chaîne de boîtes, la logique tient parfaitement, tout comme une rangée de dominos qui tombent.

4. Les Résultats : De meilleures cartes, sans magie

Les auteurs ont testé GeometrE sur des jeux de données de « bibliothèques » standards (comme WN18RR, NELL et FB15k-237).

Il bat les anciennes cartes géométriques : En utilisant un mélange de mouvements de « glissement » (additifs) et d'« étirement » (multiplicatifs) pour leurs boîtes, GeometrE a résolu plus d'énigmes correctement que les méthodes géométriques précédentes.
Il rivalise avec les sorciers de la « Boîte Noire » : Il est presque aussi performant que les réseaux de neurones complexes qui utilisent la magie, mais avec un avantage énorme : Vous pouvez réellement voir comment il a résolu le problème. Vous pouvez regarder les boîtes et dire : « Ah, il a trouvé la réponse parce qu'elle était à l'intérieur de cette boîte et à l'extérieur de celle-là. »

Résumé

Considérez GeometrE comme une nouvelle façon de naviguer dans un labyrinthe géant.

Les anciennes méthodes utilisaient soit un GPS qui donnait la réponse mais ne montrait pas la carte (Réseaux de Neurones), soit utilisaient une carte légèrement défectueuse qui avait besoin d'un peu de magie pour réparer les coins (Anciennes Méthodes Géométriques).
GeometrE dessine une carte parfaite et propre où chaque virage, chaque impasse et chaque raccourci est une forme géométrique simple et logique. Il possède même une règle spéciale pour s'assurer que les longues chaînes d'indices (comme les arbres généalogiques) mènent toujours à la bonne destination.

Le document affirme que cette méthode est plus rapide à comprendre, tout aussi précise que les méthodes complexes, et maintient la logique transparente pour toute personne souhaitant l'inspecter.

Résumé Technique : GeometrE

Énoncé du Problème

Le raisonnement logique multi-sauts sur les graphes de connaissances (Knowledge Graphs - KG) nécessite de projeter fidèlement la sémantique logique dans un espace latent pour répondre à des requêtes complexes impliquant des opérations de logique du premier ordre (intersection, union, négation et quantification existentielle). Les approches actuelles sont confrontées à un compromis entre interprétabilité et performance :

Méthodes Géométriques : Bien qu'elles offrent une interprétabilité en mappant les entités vers des régions géométriques (ex: boîtes, cônes) et les opérations vers des transformations, elles reposent souvent sur des réseaux de neurones pour apprendre les opérateurs logiques (comme l'intersection ou la négation) plutôt que d'utiliser de pures transformations géométriques. De plus, les méthodes géométriques existantes peinent à modéliser efficacement les relations transitives, échouant à préserver la règle logique $\forall a, b, c : r(a, b) \land r(b, c) \rightarrow r(a, c)$ ou la propriété d'idempotence des relations transitives.
Méthodes Neurales : Les approches purement basées sur les réseaux de neurones surpassent souvent les méthodes géométriques en termes de précision, mais manquent d'interprétabilité dans l'espace latent, traitant les opérateurs logiques comme des composants neuraux "boîte noire".

Le papier identifie deux limitations spécifiques dans les travaux actuels : (1) le manque d'interprétabilité géométrique pure pour les opérateurs logiques, et (2) l'incapacité de modéliser les relations transitives qui préservent les structures en chaîne et l'idempotence.

Méthodologie : GeometrE

Les auteurs proposent GeometrE, un modèle d'encodage par boîtes (box embedding) conçu pour mapper chaque opération logique à une transformation géométrique pure dans l'espace latent, éliminant ainsi le besoin de réseaux de neurones pour apprendre les opérateurs logiques.

1. Encodages par Boîtes et Projection Géométrique

Représentation : Les entités et les requêtes sont représentées comme des boîtes alignées sur les axes en $n$ dimensions, définies par un centre ($cen$) et un décalage (offset - $off$).
Projection de Relation : Contrairement aux méthodes précédentes (ex: Query2Box) qui utilisent des translations purement additives, GeometrE introduit un mécanisme de projection multiplicatif-additif. Une relation $r$ $r$ est représentée par un 4-uplet $(r_1, r_2, r_3, r_4)$ $(r_{1}, r_{2}, r_{3}, r_{4})$ . La transformation $T_r$ $T_{r}$ sur une boîte $B$ $B$ est définie par :
- $cen(B') = r_1 \otimes cen(B) + r_2$
- $off(B') = |r_3 \otimes off(B) + r_4|$
  Ici, $\otimes$ désigne la multiplication coordonnée. Cette combinaison améliore l'expressivité tout en maintenant l'interprétabilité géométrique.
Idempotence : La transformation est conçue pour être idempotente (c'est-à-dire $T_r(T_r(B)) \approx T_r(B)$ ) pour des configurations de paramètres spécifiques, une propriété cruciale pour modéliser les relations transitives.

2. Opérations Logiques Géométriques

Intersection : Calculée via le maximum des bornes inférieures et le minimum des bornes supérieures par coordonnée. Les auteurs soutiennent que malgré les problèmes potentiels de disjointivité dans le chevauchement basé sur le volume, leur objectif d'optimisation basé sur la distance assure des gradients stables sans nécessiter d'approximations neurales (comme DeepSets).
Négation : Au lieu de tenter de représenter le complément géométrique d'une boîte (qui n'est pas une boîte), GeometrE modélise la négation comme une contrainte d'exclusion géométrique. Pour une requête "A mais pas B", le modèle minimise la distance vers la boîte positive $A$ tout en maximisant la distance par rapport à l'intérieur de la boîte négative $B$ . Cela évite de représenter des formes non-boîtes dans l'espace latent.

3. Relations Transitives et Fonctions de Perte

Pour traiter la modélisation des relations transitives, GeometrE introduit deux composants clés :

Fonction Préservant l'Ordre : Pour une relation transitive $r$ , le modèle impose une contrainte d'ordre sur une dimension de projection spécifique $i$ . Si $r(a, b)$ et $r(b, c)$ sont vrais, les encodages doivent satisfaire $cen(a)[i] > cen(b)[i] > cen(c)[i]$. Ceci est réalisé via une fonction de distance spécialisée, $distordering$, qui pénalise les violations de cet ordre en chaîne.
Fonction de Perte Transitive ( $L_{\hat{r}_i}$ ) : Pour garantir que la projection de la relation agit comme une transformation d'identité (idempotence) dans la dimension transitive, le modèle optimise l'encodage de la relation pour approximer la fonction identité ( $r_1 \approx 1, r_3 \approx 1, r_2 \approx 0, r_4 \approx 0$ ) dans les dimensions non-transitives, tout en imposant strictement l'ordre dans la dimension $i$ .
Garantie Théorique : Les auteurs prouvent (Théorème 1) que sous ces fonctions de perte, le modèle préserve la règle de transitivité : si la distance pour $(a, b)$ et $(b, c)$ est nulle, la distance pour $(a, c)$ est également nulle, maintenant le bon ordre.

Contributions Clés

Interprétabilité Géométrique Totale : Une méthode de réponse aux requêtes où chaque opération logique (intersection, négation, projection de relation) est une transformation géométrique pure, supprimant la dépendance aux réseaux de neurones pour l'apprentissage des opérateurs.
Projection Multiplicative-Additive : Un nouveau mécanisme d'encodage de relation combinant des composantes additives et multiplicatives, démontré comme étant plus expressif que les simples translations additives.
Fonction de Perte Transitive : Une fonction de perte spécialisée et un mécanisme de préservation de l'ordre qui encodent avec succès la forme logique de la transitivité ( $\forall a, b, c : r(a, b) \land r(b, c) \rightarrow r(a, c)$ ) et l'idempotence des relations transitives.
Performance Empirique : Démonstration que GeometrE surpasse les méthodes géométriques de pointe et reste compétitif face aux méthodes basées sur les réseaux de neurones sur les benchmarks standards.

Résultats Expérimentaux

La méthode a été évaluée sur trois jeux de données : WN18RR-QA, NELL-QA, et FB15k-237 (FB237).

Performance vs Baselines Géométriques : GeometrE a surpassé les méthodes géométriques existantes (GQE, Q2B, BETAE, ConE, LinE) sur la plupart des types de requêtes (1p, 2p, 3p, 2i, 3i, pi, ip, 2u, up) et jeux de données. Notamment, il a obtenu des résultats supérieurs pour les requêtes d'intersection (2i, 3i) où les baselines reposent souvent sur des approximations neurales.
Performance vs Baselines Neurales : GeometrE s'est approché de la performance de la méthode neurale NMP-QEM. Dans WN18RR et FB237, il était compétitif, bien que NMP-QEM conserve un léger avantage sur certains indicateurs.
Gestion de la Négation : La contrainte d'exclusion géométrique s'est avérée efficace, permettant à GeometrE de surpasser les baselines géométriques sur les requêtes impliquant la négation (2in, 3in, inp, pin, pni).
Validation de la Transitivité :
- Sur le benchmark général, la perte transitive a montré une amélioration légère, statistiquement non significative, de l'MRR global, attribuée à la faible fréquence des chaînes transitives dans les jeux de données.
- Cependant, dans une évaluation ciblée sur les chaînes transitives (utilisant les relations hypernym et has_part), GeometrE avec la perte transitive a atteint une corrélation de Spearman de 0,87 (contre 0,12 sans la perte), démontant une capacité significative à préserver la structure ordonnée des chaînes transitives.
Études d'Ablation :
- Le retrait des composantes multiplicatives (GeometrE-m) ou additives (GeometrE-a) a entraîné une performance moindre, confirmant le bénéfice du mécanisme combiné.
- Le choix de l'initialisation de l'encodage de la réponse (vecteur séparé vs réutilisation du centre de la requête) variait selon la densité du jeu de données, les vecteurs séparés étant plus performants sur les graphes creux (WN18RR) et les centres réutilisés étant plus performants sur les graphes denses (FB237).

Signification et Revendications

Le papier affirme que GeometrE parvient à combler le fossé entre l'interprétabilité géométrique et la haute performance dans le raisonnement multi-sauts. En mappant les opérateurs logiques à des transformations géométriques pures, il fournit un cadre où le processus de raisonnement est transparent et compréhensible, contrairement aux approches neurales "boîte noire".

Les auteurs soulignent que, bien que les méthodes purement neurales puissent encore conserver un léger avantage de performance dans certains scénarios, GeometrE offre une alternative convaincante qui ne sacrifie pas l'interprétabilité. L'introduction de la fonction de perte transitive est mise en avant comme une avancée significative, car les méthodes géométriques précédentes ne pouvaient pas modéliser efficacement la structure en chaîne des relations transitives. Ce travail suggère qu'avec des contraintes et des fonctions de perte géométriques appropriées, un raisonnement logique complexe peut être accompli sans dépendre d'approximations neurales pour les opérateurs logiques.