在图结构数据的预测任务中，图神经网络（GNNs）表现优异，但在整合符号领域知识和进行一般推理方面却常显不足。相比之下，关系贝叶斯网络（RBNs）支持对图状结构的完全生成性概率建模，并能够处理丰富的符号知识和概率推理。本文提出了一种神经符号框架，旨在无缝地将GNNs整合到RBNs中，结合GNNs的学习能力与RBNs的灵活推理能力。
我们开发了两种集成实现：一种是将GNNs直接编译为原生RBN语言，另一种则将GNN作为外部组件。两种方法均保留了GNNs的语义和计算属性，同时完全符合RBN建模范式。此外，我们为这些神经符号模型提出了一种最大后验（MAP）推理方法。
为了展示框架的多样性，我们将其应用于两个不同的问题。首先，我们将一个用于节点分类的GNN转化为一个集体分类模型，显式建模同质和异质标签模式，显著提高了在合成和真实世界数据集上的准确性。其次，我们引入了一个环境规划中的多目标网络优化问题，其中MAP推理和连续数值松弛支持复杂的决策任务。这两项应用均包含新的公开基准数据集。
本研究引入了一种强大而一致的神经符号方法，旨在图数据上架起学习与推理的桥梁，使得在多样化任务中实现新的应用和提升性能成为可能。
博主点评： 通过将图神经网络与关系贝叶斯网络相结合，本文为图数据的处理提供了一种创新的视角，尤其是在复杂推理与符号知识的应用方面，有助于推动相关领域的研究和实际应用发展。