ترجمه فارسی مقاله گراف رابطه ای شبکه های کانولوشن قوانین صدا را یاد نمی گیرند

چکیده

Graph neural networks (GNNs) are frequently used to predict missing facts in knowledge graphs (KGs). Motivated by the lack of explainability for the outputs of these models, recent work has aimed to explain their predictions using Datalog, a widely used logic-based formalism. However, such work has been restricted to certain subclasses of GNNs. In this paper, we consider one of the most popular GNN architectures for KGs, R-GCN, and we provide two methods to extract rules that explain its predictions and are sound, in the sense that each fact derived by the rules is also predicted by the GNN, for any input dataset. Furthermore, we provide a method that can verify that certain classes of Datalog rules are not sound for the R-GCN. In our experiments, we train R-GCNs on KG completion benchmarks, and we are able to verify that no Datalog rule is sound for these models, even though the models often obtain high to near-perfect accuracy. This raises some concerns about the ability of R-GCN models to generalise and about the explainability of their predictions. We further provide two variations to the training paradigm of R-GCN that encourage it to learn sound rules and find a trade-off between model accuracy and the number of learned sound rules.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) اغلب برای پیش بینی حقایق گمشده در نمودارهای دانش (KGS) استفاده می شوند.با توجه به عدم توضیح برای خروجی های این مدل ها ، کار اخیر با هدف توضیح پیش بینی های آنها با استفاده از Datalog ، یک فرمالیسم مبتنی بر منطق است.با این حال ، چنین کارهایی محدود به زیر کلاسهای خاص GNN است.در این مقاله ، ما یکی از محبوب ترین معماری های GNN را برای KGS ، R-GCN در نظر می گیریم و دو روش برای استخراج قوانینی ارائه می دهیم که پیش بینی های آن را توضیح می دهد و سالم است ، به این معنا که هر واقعیت حاصل از قوانین نیز توسط پیش بینی می شودGNN ، برای هر مجموعه داده ورودی.علاوه بر این ، ما روشی را ارائه می دهیم که می تواند تأیید کند که کلاسهای خاصی از قوانین Datalog برای R-GCN مناسب نیستند.در آزمایشات ما ، ما R-GCN را بر روی معیارهای تکمیل کیلوگرم آموزش می دهیم ، و ما می توانیم تأیید کنیم که هیچ قانون Datalog برای این مدل ها سالم نیست ، حتی اگر این مدل ها اغلب دقت و تقریباً کامل را بدست آورند.این نگرانی در مورد توانایی مدل های R-GCN در تعمیم و توضیح در مورد پیش بینی های آنها ایجاد می کند.ما همچنین دو الگوی آموزشی R-GCN را ارائه می دهیم که آن را ترغیب به یادگیری قوانین صوتی و یافتن تجارت بین دقت مدل و تعداد قوانین صوتی آموخته شده می کند.