符号还是神经？AAAI2022Mila唐建团队《知识图谱推理进展》教程，150页ppt全面讲解符号逻辑神经推理方法

2022 年 2 月 25 日 专知

第 36 届 AAAI 人工智能会议已于 2 月 22 日在线上召开。来自Mila唐建团队做了关于《知识图谱推理报告：符号与神经》，非常值得关注！

知识图谱对现实世界的事实进行编码表达，在各种应用和领域中都是关键的，如自然语言理解、推荐系统、药物发现和图像理解。知识图谱的一个基本问题是利用已有的事实进行推理来预测缺失的事实，即知识图推理。这一问题在不同的AI社区中得到了广泛的研究，包括通用AI社区(AAAI, IJCAI)、机器学习社区(ICML, NeurIPS, ICLR)、数据挖掘社区(KDD, WSDM, WWW)和NLP社区(ACL, EMNLP, NAACL)，它们要么专注于基本方法的开发，要么专注于重要的现实世界问题的解决方案。因此，系统介绍知识图谱推理，总结不同方法体系的进展，将有利于广大受众。在本教程中，我们计划全面介绍知识图谱推理的不同方法，包括传统的基于符号逻辑规则的方法、基于神经的方法、神经符号方法、逻辑规则归纳方法和不同的应用。本教程将使初级和高级研究人员以及对方法学开发和应用程序感兴趣的研究人员受益。

地址：

https://aaai2022kgreasoning.github.io/

目录内容：

引言 Introduction
神经方法 Part 1: Neural Methods

RGCN, GraIL
TransE, ComplEx, RotatE, QuatE
Knowledge graph embeddings
Graph neural networks
Benchmark datasets and evaluation

符号逻辑方法 Part 2: Symbolic Logic Methods

TensorLog
Marlov logic networks
ProbLog, DeepProbLog
Forward chaining, backward chaining
Logic programming
Bayesian logic programming
Markov logic programming
Stochastic logic programming

神经符号方法 Part 3: Neural-Symbolic Methods

ProPPR
pLogicNet
Markov logic programming based
Stochastic logic programming based

逻辑规则引导方法 Part 4: Logic Rule Induction Methods

NeuralLP, DeepPath, NBFNet
Differentiable ILP, Neural Theorem Provers, RNNLogic
Inductive logic programming
Neural-powered ILP
Neural ILP with SLP

总结与未来方向 Part 5: Summary and Future Directions

Summary
Complex logical query answering
Natural language processing
Recommendation
Drug discovery

讲者介绍：

瞿锰，现为魁北克人工智能研究院（Mila）四年级博士生，导师为唐建教授。他硕士就读于美国伊利诺伊大学香槟分校（UIUC），师从韩家炜教授；本科就读于北京大学信息科学技术学院，师从张铭教授。他的研究兴趣为：结合深度学习与统计关系学习的知识推理、知识图谱推理、图表示学习等。他在ICML、NeurIPS、ICLR、KDD、WWW等会议中发表了多篇知识推理方向的论文，提出了GMNN、pLogicNet、RNNLogic等方法。他参与提出了图表示学习算法LINE，为WWW会议在2015-2019年期间被引用次数最多的论文。

https://mnqu.github.io/

Zhaocheng Zhu，现为Mila - Quebec AI Institute四年级博士研究生，导师唐健教授。主要研究方向为大规模知识图谱，包括知识图谱推理算法和系统，以及知识图谱在药物发现中的应用。他于2018年获得北京大学计算机科学学士学位。自2018年以来，他一直积极致力于知识图谱和图形表示学习。他领导了两个开源项目，GraphVite和TorchDrug，这两个项目在图表示学习社区中得到了广泛的认可。他也是PyTorch-Geometric和Gensim的贡献者。

https://kiddozhu.github.io/

唐建，加拿大蒙特利尔学习算法研究所（Mila）助理教授，其研究领域包括图表示学习、图神经网络、药物发现及知识图谱。唐建 2014 年毕业于北京大学信息科学技术学院并获得博士学位，2014-2016 年任职微软亚洲研究院副研究员，2016-2017 年为密歇根大学和卡内基梅隆大学的联合培养博士后，曾获 2014 年机器学习顶级会议 ICML 的最佳论文。唐建是图表示学习领域的代表性学者，他所提出的网络表示学习算法 LINE 被广泛应用，其他代表工作还包括 RotatE 等。

https://jian-tang.com/