A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data
本文提出了一种将图神经网络（GNNs）集成到关系贝叶斯网络（RBNs）中的神经符号框架，旨在将 GNNs 的学习优势与 RBNs 的概率推理能力相结合，通过新颖的最大后验概率（MAP）推理方法和基准数据集，展示了在集体分类和环境规划方面的性能提升。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图教一台计算机理解这个世界。长期以来，科学家们一直拥有两种截然不同的工具箱来完成这项工作。第一种是“神经网络”，它像是一位观察力极强的艺术家。它观察数百万张图片或模式，通过试错来学习，并变得极其擅长猜测接下来会发生什么。但它有点像一个“黑匣子”；它并不真正理解自己为什么做出某个猜测，也无法轻易遵循严格的规则，比如“如果 A 发生，那么 B 必须发生”。第二种工具箱是“符号逻辑”，它像是一位严谨的图书管理员或律师。它能完美地遵循规则并进行复杂的论证推理，但在自主从杂乱的现实世界数据中学习方面表现挣扎。
现代科学面临的一个大问题是：我们能否构建一个既是观察敏锐的艺术家，又是严谨律师的机器人？我们希望建立一个既能从数据中学习，又能同时理解世界规则的系统。这就是“神经符号（Neuro-Symbolic）”AI 的梦想。挑战在于，这两种工具使用的语言不同——一种使用数字和权重说话，另一种使用逻辑和符号说话。本文旨在填补这一鸿沟，探讨我们是否终于可以让它们进行交流，特别是在处理那些看起来像巨大连接网络（如社交网络或道路地图）的数据时。
伟大的翻译者：教数学与逻辑握手言和
本文介绍了一个巧妙的新型框架，它充当了两种强大 AI 之间的通用翻译器：图神经网络 (GNN) 与 关系贝叶斯网络 (RBN)。可以将 GNN 想象成一名侦探，他非常擅长观察人群（一个图结构），并根据朋友关系和外貌特征来猜测谁属于哪个群体。然而，这位侦探是在孤立状态下工作的；他针对每个人进行独立猜测，并不真正关心整个群体是否逻辑自洽。另一方面，RBN 则像是一位大师级的战略家，他理解整个关系的网络并能对概率进行推理，但他通常需要人类来写下每一条规则。
作者们（来自阿尔堡大学和特伦托大学的一个团队）在两者之间搭建了一座桥梁。他们证明了 GNN 用来做出猜测的数学方法，实际上与 RBN 用来计算概率的数学方法是相同的。这就像是发现艺术家用来画画的秘密代码，其实正是律师用来撰写合同的同一种语言。正因如此，他们现在可以直接将“艺术家”（GNN）植入“律师”（RBN）的大脑之中。
他们通过两种方式搭建了这座桥梁。第一种方法类似于将艺术家的整幅画作逐字逐句地翻译成法律文件。这种方式非常紧密且精确，但计算速度较慢。第二种方法则像是给律师开通了一条直达艺术家的热线。律师向艺术家寻求一个猜测，而艺术家则运行自己的快速软件来给出答案。这两种方法都有效，并且都能让系统同时利用艺术家的速度和律师的推理能力。
解决“群体思维”问题
为了证明新系统的有效性，团队尝试了两个截然不同的问题。
第一个问题是关于集体分类。想象一下，你正在试图猜测一个小镇居民的政党。标准的 GNN 可能会观察一个人，看到他喜欢运动，然后猜他是“政党 A”。它会对每个人独立地这样做。但在现实生活中，人们往往会像他们的邻居一样投票。如果你的好朋友是“政党 B”，那么你也更有可能属于“政党 B”。作者展示了通过使用他们的新系统，可以迫使 GNN 观察全局。他们加入了一条“规则”，即：“嘿，如果你大多数邻居都是政党 B，那么你的猜测应该倾向于那一派。”
他们在合成数据（旨在模拟特定模式的人造图结构）和来自社交网络的真实世界数据上进行了测试。结果令人印象深刻。当数据混乱或邻居们的信号相互冲突时，标准的 GNN 会感到困惑。但这种使用了 MAP 推理（一种寻找整个群体中最可能场景的高级方法）的新型“神经符号”版本修复了这些错误。在某些情况下，它将准确率提升了近 30%。它将一群独立的猜测者变成了一个理解群体动态的聪明团队。
环境规划师：平衡利润与污染
第二个、或许也是更令人兴奋的应用是多目标决策任务。想象你是一名城市规划师，正在决定农民应该种植哪些作物。你有两个相互冲突的目标：你既想赚取利润，又想保持河流清洁（低污染）。
通常，AI 只是预测将会发生什么。但这个系统可以被问到：“为了达到最佳平衡，我们应该怎么做？”作者设置了一个关于爱荷华州真实流域的情景。他们使用 GNN 来预测不同作物如何影响水污染。然后，他们利用这个新框架进行了一场“假设如果”的模拟。他们询问系统：“如果我们希望侧重 70% 的利润和 30% 的清洁水质，那么该地区每个农场的玉米、大豆和牧场的最优组合是什么？”
该系统不仅仅是在猜测，它还在计算最可能的最佳方案。它发现，对于某些区域，种植玉米（虽然有利可图但会造成污染）是可以接受的；但对于靠近水源的其他区域，转向种植牧草（利润较低但更环保）是保持河流安全的唯一途径。他们甚至展示了，如果放宽规则以允许“部分”作物（例如在一个农场种植 30% 的玉米和 70% 的大豆），系统可以更快地找到更好的解决方案。这证明了该系统可以作为复杂现实世界规划的决策支持工具，而不仅仅是一个简单的预测器。
权衡：速度与智慧
论文坦诚地讨论了权衡问题。虽然这个新系统非常灵活且聪明，但它可能比标准 AI 慢。在他们的测试中，在真实数据集上运行推理（即“思考”部分）大约需要 70 分钟，而竞争系统仅需 45 秒。为什么？因为新系统正在承担一项更繁重的任务：它不仅是在猜测，它还在探索数百万种可能的场景，以找到最符合所有规则的绝对最佳方案。
作者指出，虽然它不是工具箱里最快的工具，但它是最通用的。它可以处理其他 AI 根本无法触及的问题，比如平衡冲突的目标或理解复杂的群体行为。他们总结道，这一框架为一种新型 AI 开启了大门，这种 AI 既能从数据中学习，又能尊重世界的逻辑规则，使其成为从修复社交网络到规划可持续城市等各种领域的强大工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。