本論文では、誘導的かつ解釈可能なリンク予測のための確率論的論理規則の学習問題を研究しています。誘導的リンク予測の重要性にもかかわらず、これまでの多くの研究は推移的リンク予測に焦点を当てており、以前に見たことのないエンティティを扱うことができませんでした。さらに、それらは人間にとって簡単に説明できないブラックボックスモデルとなっています。これらの問題を解決するために、我々はDRUM（Differentiable Rule Mining）というスケーラブルで微分可能な手法を提案します。この手法は、知識グラフから一階論理規則を抽出します。我々の方法の動機付けとして、各規則に対する信頼度スコアの学習と低ランクテンソル近似との関連性を取り上げています。DRUMは双方向RNN（Recurrent Neural Network）を使用して、異なるリレーションに対する規則学習タスク間で有用な情報を共有します。また、様々なベンチマークデータセット上で既存の規則抽出手法と比較してDRUMの効率性を実証的に示しています。