💻 computer science

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

यह शोध पत्र GeometrE को प्रस्तुत करता है, जो नॉलेज ग्राफ पर मल्टी-हॉप रीजनिंग के लिए एक ज्यामितीय एम्बेडिंग विधि है जो सभी तार्किक परिचालनों को शुद्ध ज्यामितीय रूपांतरणों में मैप करती है और तार्किक नियमों को संरक्षित करने के लिए एक नवीन ट्रांजिटिव लॉस फंक्शन का उपयोग करती है, जिससे मौजूदा ज्यामितीय दृष्टिकोणों की तुलना में बेहतर प्रदर्शन प्राप्त होता है और न्यूरल-आधारित विधियों के साथ प्रतिस्पर्धी परिणाम बनाए रखता है।

मूल लेखक: Fernando Zhapa-Camacho, Robert Hoehndorf

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando Zhapa-Camacho, Robert Hoehndorf

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक विशाल पुस्तकालय है जहाँ हर किताब एक अदृश्य धागे से दूसरी किताब से जुड़ी हुई है। ये धागे तथ्यों का प्रतिनिधित्व करते हैं: "बिल्ली चटाई पर है," "चटाई लाल है," या "लाल चीजें गर्म होती हैं।" यह पुस्तकालय एक नॉलेज ग्राफ (Knowledge Graph) है।

कभी-कभी, आप एक सरल प्रश्न पूछते हैं जैसे, "क्या लाल है?" (एक-हॉप प्रश्न)। लेकिन अक्सर, आप जटिल प्रश्न पूछते हैं जैसे, "मुझे कुछ ऐसा ढूँढ कर दो जो एक लाल चटाई पर हो, लेकिन वह बिल्ली न हो।" यह एक मल्टी-हॉप रीजनिंग (multi-hop reasoning) कार्य है। आपको धागों का पीछा करना होगा, सुरागों को जोड़ना होगा और गलत उत्तरों को छानना होगा।

यह शोध पत्र इन जटिल पहेलियों को हल करने के लिए GeometrE नामक एक नया टूल पेश करता है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. पुराना तरीका: "ब्लैक बॉक्स" बनाम "ज्यामितीय मानचित्र"

पहले, कंप्यूटर इन पहेलियों को दो तरीकों से हल करने की कोशिश करते थे:

न्यूरल नेटवर्क का तरीका: इसे एक जादुगत ब्लैक बॉक्स की तरह समझें। आप इसमें एक प्रश्न डालते हैं, और यह उत्तर बाहर निकाल देता है। यह बहुत अच्छा काम करता है, लेकिन आपको पता नहीं चलता कि इसने निर्णय कैसे लिया। यह एक जादूगर द्वारा मंत्र चलाने जैसा है; आपको परिणाम तो मिलता है, लेकिन आप उस जादू को समझ नहीं पाते।
ज्यामितीय (Geometric) तरीका: यह एक नक्शा बनाने की कोशिश करता है। यह तथ्यों को ग्रिड पर आकृतियों (जैसे बक्से) में बदल देता है। यदि आप पूछते हैं "क्या लाल है?", तो कंप्यूटर सभी लाल चीजों के चारों ओर एक बॉक्स बना देता है। यह बहुत अच्छा है क्योंकि आप तर्क को देख सकते हैं। हालाँकि, पुराने ज्यामितीय मानचित्रों में एक समस्या थी: जब वे जटिल गणित (जैसे "A और B, लेकिन C नहीं") करने की कोशिश करते थे, तो उन्हें काम करने के लिए उन आकृतियों के भीतर थोड़ा सा "ब्लैक बॉक्स" जादू छिपाना पड़ता था। इससे "शुद्ध मानचित्र" का विचार टूट जाता था।

GeometrE का बड़ा विचार: यह एक शुद्ध ज्यामितीय मानचित्र (purely geometric map) बनाता है। इसका दावा है कि आपको बिल्कुल भी "ब्लैक बॉक्स" जादू की आवश्यकता नहीं है। प्रत्येक तार्किक चरण (AND, OR, NOT) एक सरल, स्वच्छ ज्यामितीय चाल है, जैसे किसी बॉक्स को खिसकाना या कागज का एक टुकड़ा काटना।

2. GeometrE मानचित्र कैसे बनाता है

तथ्यों को एकल बिंदुओं में बदलने के बजाय, GeometrE उन्हें बक्सों (boxes) (जैसे 3D कार्डबोर्ड बॉक्स) में बदल देता है।

"बॉक्स" की अवधारणा: कल्पना कीजिए कि एक बॉक्स "यूरोपीय देशों" का प्रतिनिधित्व करता है।
इंटरसेक्शन (AND): यदि आप चाहते हैं "यूरोपीय देश AND राजा वाले देश," तो GeometrE बस उन दोनों बक्सों को लेता है और उस ओवरलैपिंग क्षेत्र को खोजता है जहाँ वे आपस में मिलते हैं। यह दो पारदर्शी बक्सों को एक के ऊपर एक रखने और उस स्थान को देखने जैसा है जहाँ दोनों मौजूद हैं।
नेगेशन (NOT): यह पेचीदा हिस्सा है। आप केवल बक्सों का उपयोग करके "जो बॉक्स नहीं है" उसे आसानी से नहीं बना सकते। GeometrE इसे एक चतुर ट्रिक के साथ हल करता है: एक्सक्लूजन ज़ोन (Exclusion Zone - अपवर्जन क्षेत्र)। "नॉट" वाली आकृति बनाने के बजाय, यह बस कहता है, "उत्तर 'यूरोपीय' बॉक्स के अंदर होना चाहिए, लेकिन इसे 'राजा' वाले बॉक्स से दूर रहना चाहिए।" यह पूरे ब्रह्मांड को चित्रित करने के बजाय उत्तर को वर्जित क्षेत्र से बाहर धकेल देता है।

3. "ट्रांजिटिव" श्रृंखला (डोमिनो प्रभाव)

कुछ तथ्य ट्रांजिटिव (transitive) होते हैं। इसका मतलब है कि यदि A का B से संबंध है, और B का C से संबंध है, तो A का स्वतः ही C से संबंध होता है।

उदाहरण: "दादाजी पिता के पिता हैं" और "पिता पुत्र के पिता हैं" का अर्थ है कि "दादाजी पुत्र के पिता हैं।"

शोध पत्र ने गौर किया कि पिछले ज्यामितीय मानचित्र अक्सर इस श्रृंखला को तोड़ देते थे। वे यह गारंटी नहीं दे पाते थे कि "दादाजी" का बॉक्स तार्किक रूप से "पुत्र" के बॉक्स से केवल नियमों का पालन करके जुड़ेगा।

GeometrE का समाधान: यह एक विशेष "ट्रांजिटिव लॉस" (Transitive Loss) (कंप्यूटर के सीखने के लिए एक नियम) जोड़ता है।

एक सीढ़ी की कल्पना करें। यदि आप नीचे से बीच तक कदम रखते हैं, और बीच से ऊपर तक, तो आपको अंततः ऊपर ही पहुँचना चाहिए।
GeometrE कंप्यूटर को इन बक्सों को इस "सीढ़ी" पर व्यवस्थित करने के लिए मजबूर करता है ताकि क्रम हमेशा बना रहे। यह सुनिश्चित करता है कि यदि आप श्रृंखला का पालन करते हैं, तो तर्क पूरी तरह से बना रहता है, ठीक वैसे ही जैसे गिरते हुए डोमिनोज़ की एक पंक्ति।

4. परिणाम: बेहतर मानचित्र, कोई जादू नहीं

लेखकों ने GeometrE का परीक्षण मानक "लाइब्रेरी" डेटासेट (जैसे WN18RR, NELL, और FB15k-237) पर किया।

यह पुराने ज्यामितीय मानचित्रों को पछाड़ देता है: अपने बक्सों के लिए "खिसकने" (additive) और "खिंचने" (multiplicative) के मिश्रण का उपयोग करके, GeometrE ने पिछले ज्यामितीय तरीकों की तुलना में अधिक पहेलियों को सही ढंग से हल किया।
यह "ब्लैक बॉक्स" जादूगरों को टक्कर देता है: यह उन जटिल न्यूरल नेटवर्क के लगभग बराबर प्रदर्शन करता है जो जादू का उपयोग करते हैं, लेकिन एक बड़े लाभ के साथ: आप वास्तव में देख सकते हैं कि इसने समस्या को कैसे हल किया। आप बक्सों को देख सकते हैं और कह सकते हैं, "आह, इसने उत्तर इसलिए ढूँढा क्योंकि यह इस बॉक्स के अंदर था और उस दूसरे से बाहर था।"

सारांश

GeometrE को एक विशाल भूलभुलैया में नेविगेट करने के एक नए तरीके के रूप में समझें।

पुराने तरीकों में या तो एक ऐसा GPS था जो आपको उत्तर तो देता था लेकिन मानचित्र नहीं दिखाता था (न्यूरल नेटवर्क), या एक ऐसा मानचित्र था जो थोड़ा टूटा हुआ था और जिसे कोनों को ठीक करने के लिए थोड़े जादू की आवश्यकता थी (पुराने ज्यामितीय तरीके)।
GeotrE एक आदर्श, स्वच्छ मानचित्र बनाता है जहाँ हर मोड़, हर डेड एंड, और हर शॉर्टकट एक सरल, तार्किक ज्यामितीय आकार है। इसमें यह सुनिश्चित करने के लिए एक विशेष नियम भी है कि संकेतों की लंबी श्रृंखलाएँ (जैसे पारिवारिक वंशावली) हमेशा सही मंजिल तक ले जाएँ।

शोध पत्र का दावा है कि यह विधि समझने में तेज़ है, जटिल तरीकों जितनी ही सटीक है, और तर्क को निरीक्षण के लिए पारदर्शी बनाए रखती है।

तकनीकी सारांश: GeometrE

समस्या विवरण (Problem Statement)

नॉलेज ग्राफ्स (Knowledge Graphs - KGs) पर मल्टी-हॉप लॉजिकल रीजनिंग के लिए प्रथम-क्रम तर्क (first-order logic) के ऑपरेशन्स (इंटरसेक्शन, यूनियन, नेगेशन और अस्तित्व संबंधी क्वांटिफिकेशन) वाले जटिल प्रश्नों के उत्तर देने के लिए तार्किक अर्थों (logical semantics) को लेटेंट स्पेस में निष्ठापूर्वक मैप करना आवश्यक है। वर्तमान दृष्टिकोण व्याख्यात्मकता (interpretability) और प्रदर्शन के बीच एक संतुलन का सामना करते हैं:

ज्यामितीय विधियाँ (Geometric Methods): हालांकि वे संस्थाओं (entities) को ज्यामितीय क्षेत्रों (जैसे बॉक्स, शंकु) में मैप करके और ऑपरेशन्स को रूपांतरणों (transformations) में मैप करके व्याख्यात्मकता प्रदान करती हैं, लेकिन वे अक्सर शुद्ध ज्यामितीय रूपांतरणों के बजाय लॉजिकल ऑपरेटर्स (जैसे इंटरसेक्शन या नेगेशन) को सीखने के लिए न्यूरल नेटवर्क पर निर्भर करती हैं। इसके अलावा, मौजूदा ज्यामितीय विधियाँ ट्रांजिटिव रिलेशंस (transitive relations) को प्रभावी ढंग से मॉडल करने में संघर्ष करती हैं, और वे तार्किक नियम $\forall a, b, c : r(a, b) \land r(b, c) \rightarrow r(a, c)$ या ट्रांजिटिव रिलेशंस के आइडम्पोटेंसी (idempotency) गुण को बनाए रखने में विफल रहती हैं।
न्यूरल विधियाँ (Neural Methods): विशुद्ध रूप से न्यूरल-आधारित दृष्टिकोण अक्सर ज्यामितीय विधियों की तुलना में सटीकता में बेहतर प्रदर्शन करते हैं, लेकिन वे लेटेंट स्पेस में व्याख्यात्मकता की कमी रखते हैं, क्योंकि वे लॉजिकल ऑपरेटर्स को "ब्लैक बॉक्स" न्यूरल घटकों के रूपв treat करते हैं।

पेपर दो विशिष्ट सीमाओं की पहचान करता है: (1) लॉजिकल ऑपरेटर्स के लिए शुद्ध ज्यामितीय व्याख्यात्मकता का अभाव, और (2) चेन-जैसी संरचनाओं और आइडम्पोटेंसी को बनाए रखने वाले ट्रांजिटिव रिलेशंस को मॉडल करने में अक्षमता।

कार्यप्रणाली: GeometrE

लेखक GeometrE का प्रस्ताव करते हैं, जो एक बॉक्स एम्बेडिंग मॉडल है जिसे प्रत्येक लॉजिकल ऑपरेशन को लेटेंट स्पेस में एक शुद्ध ज्यामितीय रूपांतरण में मैप करने के लिए डिज़ाइन किया गया है, जिससे लॉजिकल ऑपरेटर्स को सीखने के लिए न्यूरल नेटवर्क की आवश्यकता समाप्त हो जाती है।

1. बॉक्स एम्बेडिंग्स और ज्यामितीय प्रोजेक्शन (Box Embeddings and Geometric Projection)

प्रतिनिधित्व (Representation): संस्थाओं और क्वेरीज़ को $n$ -आयामी एक्सिस-अलाइन्ड बॉक्स के रूप में दर्शाया जाता है, जो एक केंद्र ($cen $) और एक ऑफसेट ($ off$) द्वारा परिभाषित होते हैं।
रिलेशन प्रोजेक्शन (Relation Projection): पिछले तरीकों (जैसे Query2Box) के विपरीत, जो केवल योगात्मक अनुवाद (additive translations) का उपयोग करते हैं, GeometrE एक मल्टीप्लिकेटिव-एडिटिव प्रोजेक्शन मैकेनिज्म पेश करता है। एक रिलेशन $r$ $r$ को 4-टुपल $(r_1, r_2, r_3, r_4)$ $(r_{1}, r_{2}, r_{3}, r_{4})$ के रूप में दर्शाया जाता है। बॉक्स $B$ $B$ पर रूपांतरण $T_r$ $T_{r}$ को इस प्रकार परिभाषित किया गया है:
- $cen(B') = r_1 \otimes cen(B) + r_2$
- $off(B') = |r_3 \otimes off(B) + r_4|$
  यहाँ $\otimes$ को कोऑर्डिनेट-वाइज मल्टीप्लिकेशन (coordinate-wise multiplication) के रूप में दर्शाया गया है। यह संयोजन ज्यामितीय व्याख्यात्मकता बनाए रखते हुए अभिव्यक्ति (expressiveness) को बढ़ाता है।
आइडम्पोटेंसी (Idempotency): रूपांतरण को विशिष्ट पैरामीटर कॉन्फ़िगरेशन के लिए आइडम्पोटेंट (अर्थात $T_r(T_r(B)) \approx T_r(B)$ ) होने के लिए डिज़ाइन किया गया है, जो ट्रांजिटिव रिलेशंस को मॉडल करने के लिए एक महत्वपूर्ण गुण है।

2. ज्यामितीय लॉजिकल ऑपरेशन्स (Geometric Logical Operations)

इंटरसेक्शन (Intersection): इसे लोअर बाउंड्स के कोऑर्डिनेट-वाइज मैक्सिमम और अपर बाउंड्स के मिनिमम के माध्यम से कंप्यूट किया जाता है। लेखक तर्क देते हैं कि वॉल्यूम-आधारित ओवरलैप में संभावित विच्छेद (disjointness) समस्याओं के बावजूद, उनका डिस्टेंस-आधारित ऑप्टिमाइजेशन ऑब्जेक्टिव बिना किसी न्यूरल एप्रोक्सिमेशन (जैसे DeepSets) के स्थिर ग्रेडिएंट्स सुनिश्चित करता है।
नेगेशन (Negation): एक बॉक्स के ज्यामितीय कॉम्प्लीमेंट (जो कि एक बॉक्स नहीं है) को दर्शाने का प्रयास करने के बजाय, GeometrE नेगेशन को एक ज्यामितीय अपवर्जन बाधा (geometric exclusion constraint) के रूप में मॉडल करता है। क्वेरी "A लेकिन B नहीं" के लिए, मॉडल पॉजिटिव बॉक्स $A$ से दूरी को कम करता है और नेगेटिव बॉक्स $B$ के इंटीरियर से दूरी को अधिकतम करता है। यह लेटेंट स्पेस में नॉन-बॉक्स आकृतियों को दर्शाने से बचाता है।

3. ट्रांजिटिव रिलेशंस और लॉस फंक्शन्स (Transitive Relations and Loss Functions)

ट्रांजिटिव रिलेशंस की मॉडलिंग को संबोधित करने के लिए, GeometrE दो प्रमुख घटक पेश करता है:

ऑर्डर-प्रिजर्विंग फंक्शन (Order-Preserving Function): एक ट्रांजिटिव रिलेशन $r$ के लिए, मॉडल एक विशिष्ट प्रोजेक्शन डायमेंशन $i$ पर एक ऑर्डरिंग कंस्ट्रेंट लागू करता है। यदि $r(a, b)$ और $r(b, c)$ सत्य हैं, तो एम्बेडिंग्स को संतुष्ट करना चाहिए कि $cen(a)[i] > cen(b)[i] > cen(c)[i] $। यह एक विशेष डिस्टेंस फंक्शन,$ distordering$, के माध्यम से प्राप्त किया जाता है, जो चेन-जैसी व्यवस्था के उल्लंघन को दंडित करता है।
ट्रांजिटिव लॉस फंक्शन ( $L_{\hat{r}_i}$ ): यह सुनिश्चित करने के लिए कि रिलेशन प्रोजेक्शन ट्रांजिटिव डायमेंशन में आइडेंटिटी ट्रांसफॉर्मेशन (आइडम्पोटेंसी) के रूप में कार्य करे, मॉडल रिलेशन एम्बेडिंग को नॉन-ट्रांजिटिव डायमेंशन में आइडेंटिटी फंक्शन ( $r_1 \approx 1, r_3 \approx 1, r_2 \approx 0, r_4 \approx 0$ ) के करीब अनुकूलित करता है, जबकि डायमेंशन $i$ में ऑर्डरिंग को सख्ती से लागू करता है।
सैद्धांतिक गारंटी (Theoretical Guarantee): लेखक सिद्ध करते हैं (थ्योरम 1) कि इन लॉस फंक्शन्स के तहत, मॉडल ट्रांजिटिविटी नियम को सुरक्षित रखता है: यदि $(a, b)$ और $(b, c)$ के लिए डिस्टेंस शून्य है, तो $(a, c)$ के लिए भी डिस्टेंस शून्य होगा, जिससे सही ऑर्डरिंग बनी रहती है।

मुख्य योगदान (Key Contributions)

पूर्ण ज्यामितीय व्याख्यात्मकता: एक क्वेरी आंसरिंग विधि जहाँ प्रत्येक लॉजिकल ऑपरेशन (इंटरसेक्शन, नेगेशन, रिलेशन प्रोजेक्शन) एक शुद्ध ज्यामितीय रूपांतरण है, जो ऑपरेटर लर्निंग के लिए न्यूरल नेटवर्क पर निर्भरता को हटा देता है।
मल्टीप्लिकेटिव-एडिटिव प्रोजेक्शन: एक नया रिलेशन एम्बेडिंग मैकेनिज्म जो एडिटिव और मल्टीप्लिकेटिव घटकों को जोड़ता है, जो शुद्ध रूप से एडिटिव ट्रांसलेशन की तुलना में अधिक एक्सप्रेसिव है।
ट्रांजिटिव लॉस फंक्शन: एक विशेष लॉस फंक्शन और ऑर्डर-प्रिजर्विंग मैकेनिज्म जो ट्रांजिटिविटी के लॉजिकल फॉर्म ( $\forall a, b, c : r(a, b) \land r(b, c) \rightarrow r(a, c)$ ) और ट्रांजिटिव रिलेशंस की आइडम्पोटेंसी को सफलतापूर्वक एनकोड करता है।
अनुभवजन्य प्रदर्शन (Empirical Performance): यह प्रदर्शन करना कि GeometrE मौजूदा ज्यामितीय विधियों से बेहतर प्रदर्शन करता है और मानक बेंचमार्क पर न्यूरल-आधारित विधियों के साथ प्रतिस्पर्धी बना रहता है।

प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन तीन डेटासेट्स पर किया गया: WN18RR-QA, NELL-QA, और FB15k-237 (FB237)।

ज्यामितीय बेसलाइन्स के विरुद्ध प्रदर्शन: GeometrE ने अधिकांश क्वेरी प्रकारों (1p, 2p, 3p, 2i, 3i, pi, ip, 2u, up) और डेटासेट्स में मौजूदा ज्यामितीय विधियों (GQE, Q2B, BETAE, ConE, LinE) को पछाड़ दिया। विशेष रूप से, इसने इंटरसेक्शन क्वेरीज (2i, 3i) में बेहतर परिणाम प्राप्त किए जहाँ बेसलाइन्स अक्सर न्यूरल एप्रोक्सिमेशन पर निर्भर करते हैं।
न्यूरल बेसलाइन्स के विरुद्ध प्रदर्शन: GeometrE ने न्यूरल-आधारित विधि NMP-QEM के प्रदर्शन के करीब पहुँच लिया। WN18RR और FB237 में, यह प्रतिस्पर्धी था, हालांकि कुछ मेट्रिक्स में NMP-QEM का थोड़ा बढ़त बनी रही।
नेगेशन हैंडलिंग: ज्यामितीय अपवर्जन बाधा (geometric exclusion constraint) प्रभावी साबित हुई, जिससे GeometrE को नेगेशन (2in, 3in, inp, pin, pni) से जुड़ी क्वेरीज पर ज्यामितीय बेसलाइन्स से बेहतर प्रदर्शन करने में मदद मिली।
ट्रांजिटिविटी वैलिडेशन:
- सामान्य बेंचमार्क पर, ट्रांजिटिव लॉस ने समग्र MRR में मामूली, सांख्यिकीय रूप से गैर-महत्वपूर्ण सुधार दिखाया, जिसका कारण डेटासेट्स में ट्रांजिटिव चेन्स की कम आवृत्ति है।
- हालाँकि, ट्रांजिटिव चेन्स ( hypernym और has_part संबंधों का उपयोग करके) पर लक्षित मूल्यांकन में, ट्रांजिटिव लॉस के साथ GeometrE ने 0.87 का स्पीयरमैन सहसंबंध (Spearman correlation) प्राप्त किया (लॉस के बिना 0.12 के मुकाबले), जो ट्रांजिटिव चेन्स की क्रमबद्ध संरचना को बनाए रखने की महत्वपूर्ण क्षमता को प्रदर्शित करता है।
एब्लेशन स्टडीज (Ablation Studies):
- मल्टीप्लिकेटिव घटकों (GeometrE-m) या एडिटिव घटकों (GeometrE-a) को हटाने से कम प्रदर्शन हुआ, जो संयुक्त मैकेनिज्म के लाभ की पुष्टि करता है।
- उत्तर एम्बेडिंग (answer embedding) के चयन (अलग वेक्टर बनाम पुन: उपयोग किया गया क्वेरी सेंटर) ने डेटासेट घनत्व के आधार पर भिन्नता दिखाई, जहाँ स्पार्स ग्राफ (WN18RR) पर अलग वेक्टर बेहतर प्रदर्शन करते थे और डेंसर ग्राफ (FB237) पर पुन: उपयोग किए गए सेंटर्स बेहतर प्रदर्शन करते थे।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि GeotrE मल्टी-हॉप रीजनिंग में ज्यामितीय व्याख्यात्मकता और उच्च प्रदर्शन के बीच के अंतर को सफलतापूर्वक पाटता है। लॉजिकल ऑपरेटर्स को शुद्ध ज्यामितीय रूपांतरणों में मैप करके, यह एक ऐसा ढांचा प्रदान करता है जहाँ रीजनिंग प्रक्रिया पारदर्शी और समझने योग्य है, जो "ब्लैक बॉक्स" न्यूरल दृष्टिकोणों के विपरीत है।

लेखक इस बात पर जोर देते हैं कि जबकि कुछ परिदृश्यों में विशुद्ध रूप से न्यूरल विधियों का थोड़ा प्रदर्शन लाभ हो सकता है, GeotrE एक सम्मोहक विकल्प प्रदान करता है जो व्याख्यात्मकता से समझौता नहीं करता है। ट्रांजिटिव लॉस फंक्शन की शुरूआत को एक महत्वपूर्ण कदम के रूप में हाइलाइट किया गया है, क्योंकि पिछली ज्यामितीय विधियाँ ट्रांजिटिव रिलेशंस की चेन-जैसी संरचना को प्रभावी ढंग से मॉडल नहीं कर सकी थीं। यह कार्य सुझाव देता है कि उचित ज्यामितीय बाधाओं और लॉस फंक्शन्स के साथ, लॉजिकल ऑपरेटर्स के लिए न्यूरल एप्रोक्सिमेशन पर निर्भर किए बिना जटिल लॉजिकल रीजनिंग प्राप्त की जा सकती है।