LukasZahradnik/PyNeuraLogic

解決的問題

PyNeuraLogic 透過允許使用者使用可微邏輯程式定義模型，解決了標準圖神經網路 (GNN) 的局限性。這使得建立高度具表現力的關係學習模型成為可能，這些模型可以處理超圖、嵌套圖和關係資料庫等複雜結構，而這些結構在傳統的黑盒 GNN 框架中通常難以表示。

工作原理

它使用宣告式邏輯程式設計範式，使用者可以定義邏輯變數和關係。透過 NeuraLogic 後端，這些邏輯程式的推論過程變得可微，使其等同於深度學習中的前向傳播。這使得系統可以學習與規則相關的數值參數（權重）。後端引擎會自動建立底層的可微計算圖，無需手動進行張量對齊。

適用對象

從事關係機器學習、GNN 和神經符號整合（neural-symbolic integration）的研究人員和開發人員，他們需要比標準 GNN 框架提供更高的表現能力。

亮點

• 可微邏輯程式：編寫可作為神經網路層運行的邏輯規則。
• 超越 GNN：支援超圖、關係資料庫和複雜的關係模式匹配。
• 高性能：基準測試顯示，在分子學習等某些應用中，它可能比流行的 GNN 框架更快。
• 預定義模組：包括對 GCNConv, SAGEConv, GINConv, RGCNConv, Transformers, LSTMs 和 GRUs 的內建支援。