12:25arXiv cs.LG@André Ribeiro, Ana Luiza Tenório, Tiago da Silva, Diego Mesquita精选传统图神经网络(GNN)处理节点特征时,通常假设特征是实数向量,但许多场景下节点特征更适合用概率分布(如高斯分布)表示。直接拼接均值和协方差矩阵会丢失几何与代数结构。研究者提出高斯层神经网络(GSNN),基于细胞层理论推导出新的拉普拉斯算子,保留关键数学性质,并在合成和真实数据上验证了有效性。这项工作为处理不确定性或噪声数据的图学习提供了新思路。论文图神经网络高斯分布细胞层理论拉普拉斯算子概率建模推荐理由:做图学习或处理带噪声/不确定性数据的团队,GSNN 提供了一种保留概率结构的新方法,值得关注其理论推导和实验效果。原文
11:44arXiv cs.AI(学术论文)论文提出PACS(概率常识溯因推理)框架,解决神经符号系统中形式逻辑求解器缺乏常识的问题。传统方法假设常识事实普遍一致,但实际中个体常识存在差异。PACS通过LLM和形式求解器对个体常识信念进行抽样证明,并聚合结论,在多个基准测试中优于思维链、先前神经符号方法和搜索式方法。该工作首次将概率建模引入常识溯因推理,为处理主观常识提供了新思路。论文推理模型常识推理神经符号LLM概率建模推荐理由:通过概率建模处理常识变异,PACS提升了神经符号推理的鲁棒性,对增强LLM在开放世界推理中的常识能力有实际价值。原文