Resumen: Las técnicas de programación lógica inductiva diferenciable (ILP) han demostrado ser efectivas para encontrar soluciones aproximadas basadas en reglas para vincular problemas de predicción y clasificación de nodos en gráficos de conocimiento; Sin embargo, la suposición común de la estructura de reglas similar a la cadena puede obstaculizar el rendimiento e interpretabilidad de los enfoques existentes. Introducimos GLIDR, un método de aprendizaje de reglas diferenciable que modela la inferencia de reglas lógicas con una sintaxis más expresiva que los métodos anteriores. GLIDR utiliza un algoritmo de inferencia de paso de mensajes diferenciable que generaliza los métodos previos de aprendizaje de reglas similares a la cadena para permitir reglas con características como ramas y ciclos. GLIDR tiene un espacio de búsqueda de reglas simple y expresivo que es parametrizado por un límite en el número máximo de variables libres que pueden incluirse en una regla. Las reglas lógicas explícitas se pueden extraer de los pesos de un modelo GLIDR para su uso con solucionadores simbólicos. Demostramos que GLIDR puede superar significativamente los métodos existentes de aprendizaje de reglas en las tareas de finalización del gráfico de conocimiento e incluso competir con los métodos de incrustación a pesar de la desventaja inherente de ser un método de predicción solo de estructura. Mostramos que las reglas extraídas de GLIDR retienen un rendimiento predictivo significativo, y que GLIDR es muy robusto para el ruido de los datos de entrenamiento. Finalmente, demostramos que GLIDR puede estar encadenado con redes neuronales profundas y optimizado de extremo a extremo para el aprendizaje de reglas en modalidades de datos arbitrarios.
Publicado Originalme en export.arxiv.org El 11 de agosto de 2025.
Ver Fuente Original
