图神经网络在关系推理中的系统性突破

【近期，卡迪夫大学计算机科学与信息学院的研究人员开展了一项研究，在利用图神经网络（GNN）进行关系推理方面取得了重要进展。该研究不仅在单一路径推理任务中表现出与现有神经符号方法相媲美的性能，还在多路径推理这一更为复杂的任务中展示了出色的成效。这一发现为人工智能在复杂推理任务中的应用打开了新的局面。

研究背景与挑战

关系推理是人工智能领域中的一个关键难题。过往研究表明，神经网络模型在处理推理任务时通常表现欠佳，尤其是在面对需要更长推理链或与训练数据分布不同的问题时，其性能会显著下降。这种现象在语言模型、图神经网络等多种架构中均有体现。

为了应对上述挑战，研究人员以往多采用神经符号方法。这类方法通过模仿传统逻辑编程的反向链接机制，并引入软统一策略以实现可微分性，从而在维持系统性推理能力的同时，使得从数据中学习规则成为可能。然而，这些方法通常计算效率较低，并且往往依赖于对推理过程的较强假设。

本研究的核心问题在于：为何神经符号方法在推理任务上表现更优？研究团队聚焦于常见的二元关系推理问题，即给定一个带有标记的多图（知识图谱），推断实体之间是否存在特定关系。尽管图神经网络看似非常适合此类任务，但事实上它们在需要系统性泛化的案例中表现不佳。

研究突破

本研究的主要贡献在于重新审视了图神经网络在系统性推理方面的潜力。研究团队提出了一个关键观点：推理本质上是对认知状态（即知识状态）的