LukasZahradnik/PyNeuraLogic

解决的问题

PyNeuraLogic 通过允许用户使用可微逻辑程序定义模型，解决了标准图神经网络 (GNN) 的局限性。这使得创建高度表达的关系学习模型成为可能，这些模型可以处理超图、嵌套图和关系数据库等复杂结构，而这些结构在传统的黑盒 GNN 框架中通常难以表示。

工作原理

它使用声明式逻辑编程范式，用户可以定义逻辑变量和关系。通过 NeuraLogic 后端，这些逻辑程序的推理过程变得可微，使其等同于深度学习中的前向传播。这使得系统可以学习与规则相关的数值参数（权重）。后端引擎会自动创建底层的可微计算图，无需手动进行张量对齐。

适用对象

从事关系机器学习、GNN 和神经符号集成（neural-symbolic integration）的研究人员和开发人员，他们需要比标准 GNN 框架提供更高的表达能力。

亮点

• 可微逻辑程序：编写可作为神经网络层运行的逻辑规则。
• 超越 GNN：支持超图、关系数据库和复杂的关系模式匹配。
• 高性能：基准测试表明，在分子学习等某些应用中，它可能比流行的 GNN 框架更快。
• 预定义模块：包括对 GCNConv, SAGEConv, GINConv, RGCNConv, Transformers, LSTMs 和 GRUs 的内置支持。