تمثيل الكيان المنطقي في الرسوم المعرفية لتعلم القواعد القابلة للتفاضل

أظهر التعلم القائم على القواعد المنطقية الاحتمالية قوة كبيرة في استخراج القواعد المنطقية وتكملة الرسوم المعرفية. حيث يتعلم القواعد المنطقية للتنبؤ بالحواف المفقودة من خلال الاستدلال على الحواف الموجودة في الرسم المعرفي. ومع ذلك، كانت الجهود السابقة محدودة إلى حد كبير في نمذجة صيغة القواعد السلسلية من نوع قواعد هورن، مثل $R_1(x,z)\land R_2(z,y)\Rightarrow H(x,y)$. وتتجاهل هذه الصيغة معلومات سياقية إضافية متوفرة من المخططات الجزئية المجاورة لمتغيرات الكيانات $x$ و$y$ و$z$. وبشكلٍ مُستقر، هناك فجوة كبيرة هنا، حيث أُثبت أن المخططات الجزئية المحلية توفر معلومات مهمة لتكملة الرسوم المعرفية. مستوحاة من هذه الملاحظات، نقترح تمثيل الكيانات المنطقية (LERP) لتمثيل المعلومات السياقية للكيانات في الرسم المعرفي. وصمم LERP كمتجه يتألف من دوال منطقية احتمالية تُطبَّق على المخططات الجزئية المجاورة للكيان. ويُعد هذا التمثيل قابلاً للتفسير، مع السماح بتحسين التفاضلي. وبذلك يمكننا دمج LERP في التعلم القائم على القواعد المنطقية الاحتمالية لاستخلاص قواعد أكثر تعبيرًا. وأظهرت النتائج التجريبية أن نموذجنا، باستخدام LERP، يتفوق على طرق أخرى لاستخراج القواعد في تكملة الرسوم المعرفية، ويكون مُComparable أو حتى أفضل من أحدث الطرق المظلمة (black-box). علاوةً على ذلك، وجدنا أن نموذجنا قادر على اكتشاف عائلة أكثر تعبيرًا من القواعد المنطقية. ويمكن أيضًا دمج LERP بشكل إضافي مع أساليب تعلم التمثيل مثل TransE لتعزيز قابلية التفسير.