في سعيها لتعزيز قوة الاستدلال في الذكاء الاصطناعي، قدمت ورقة بحثية جديدة نهجًا عصبيًا رمزيًا يجمع بين الشبكات العصبية الرسومية (GNNs) ونماذج بايزيانية علاقة (RBNs)، مما يتيح تحسين الاستدلال على البيانات الرسومية. بينما تتفوق GNNs في المهام التنبؤية، تفتقر غالبًا إلى القدرة على دمج المعرفة الرمزية من مجالات معينة.

تستفيد هذه الورقة من القوة التنبؤية لـ GNNs والتفكير المرن لـ RBNs، حيث تقدم تنفيذين مختلفين لهذه التكامل. الأول يقوم بتجميع GNNs مباشرة في لغة RBN الأصلية، بينما يحافظ الثاني على GNN كمكون خارجي. وتحتفظ كليهما بمعاني وخصائص حسابية لـ GNNs وتتماشى بالكامل مع نموذج RBN.

علاوة على ذلك، طورت الدراسة طريقة لاستنتاج ماكسيموم بوسط (MAP) لهذه النماذج العصبية الرمزية. لاختبار مرونة الإطار الجديد، تم تطبيقه على مشكلتين مختلفتين: الأولى تتعلق بتحويل GNN لتصنيف العقد إلى نموذج تصنيف جماعي يعمل على تعزيز دقة التصنيف بشكل ملحوظ على بيانات واقعية وسيناريوهات مصطنعة. والثانية تعالج مشكلة تحسين شبكة متعددة الأهداف في التخطيط البيئي.

تشمل كلتا الحالتين مجموعة بيانات مرجعية جديدة متاحة للجمهور، مما يعكس قوة هذا الغرض العصبي الرمزي الذي يجسر الفجوة بين التعلم والاستدلال، مما يتيح تطبيقات جديدة وأداء محسن في مهام متنوعة.