Resumen:Responder consultas complejas de lógica de primer orden (FOL) sobre gráficos de conocimiento es esencial para el razonamiento. Los métodos simbólicos ofrecen interpretabilidad pero tienen problemas con gráficos incompletos, mientras que los enfoques neuronales generalizan mejor pero carecen de transparencia. Los modelos neuronales-simbólicos pretenden integrar ambas fortalezas, pero a menudo no logran capturar la estructura jerárquica de las consultas lógicas, lo que limita su eficacia. Proponemos HYQNET, un modelo neuronal-simbólico para el razonamiento lógico de consultas que aprovecha plenamente el espacio hiperbólico. HYQNET descompone las consultas FOL en proyecciones de relaciones y operaciones lógicas sobre conjuntos difusos, mejorando la interpretabilidad. Para abordar los enlaces faltantes, emplea un enfoque hiperbólico basado en GNN para completar el gráfico de conocimiento en un espacio hiperbólico, incorporando de manera efectiva el árbol de consultas recursivas y al mismo tiempo preservando las dependencias estructurales. Al utilizar representaciones hiperbólicas, HYQNET captura la naturaleza jerárquica del razonamiento de proyección lógica de manera más efectiva que los enfoques basados en Euclidiana. Los experimentos con tres conjuntos de datos de referencia demuestran que HYQNET logra un rendimiento sólido, destacando las ventajas del razonamiento en el espacio hiperbólico.
Publicado originalmente en export.arxiv.org el 17 de marzo de 2026.
Ver fuente original
