HYQNET: Un nuovo approccio neurale-simbolico per knowledge graph

La capacità di rispondere a query logiche del primo ordine (FOL) su knowledge graph è fondamentale per il ragionamento automatizzato. I metodi simbolici offrono interpretabilità, ma faticano con grafi incompleti. Gli approcci neurali generalizzano meglio, ma mancano di trasparenza. HYQNET si propone come modello neurale-simbolico che integra i punti di forza di entrambi.

Architettura e Funzionamento

HYQNET decompone le query FOL in proiezioni di relazioni e operazioni logiche su insiemi fuzzy, migliorando l'interpretabilità. Per gestire i collegamenti mancanti nei knowledge graph, utilizza un approccio basato su GNN iperboliche per il completamento del grafo nello spazio iperbolico. Questo permette di incorporare efficacemente l'albero di query ricorsivo, preservando le dipendenze strutturali.

Vantaggi dello Spazio Iperbolico

L'utilizzo di rappresentazioni iperboliche consente a HYQNET di catturare la natura gerarchica del ragionamento di proiezione logica in modo più efficace rispetto agli approcci basati sullo spazio euclideo. Gli esperimenti su dataset di riferimento dimostrano le elevate performance di HYQNET, evidenziando i vantaggi del ragionamento nello spazio iperbolico.

Per chi valuta deployment di modelli di ragionamento su knowledge graph, esistono trade-off tra approcci on-premise e cloud. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off.