论文: Relational inductive biases, deep learning, and graph networks论文地址: https://arxiv.org/pdf/1806.01261.pdf摘要：人工智能最近经历了一场复兴，在视觉、语言、控制和决策等关键领域取得了重大进展。取得这些进展的部分原因是由于廉价的数据和计算资源，它们符合深度学习的天然优势。
然而，在不同压力下发展起来的人类智力，其许多决定性特征对于目前的方法而言仍是触不可及的。特别是，超越经验的泛化能力——人类智力从幼年开始发展的标志——仍然是现代人工智能面临的巨大挑战。本论文包含部分新研究、部分回顾和部分统一结论。我们认为组合泛化是人工智能实现与人类相似能力的首要任务，而结构化表示和计算是实现这一目标的关键。
正如生物学把自然与人工培育相结合，我们摒弃「手动设计特征」与「端到端」学习二选一的错误选择，而是倡导一种利用它们互补优势的方法。我们探索在深度学习架构中使用关系归纳偏置如何有助于学习实体、关系以及构成它们的规则。我们为具有强烈关系归纳偏置的 AI 工具包提出了一个新构造块——图网络（Graph Network），它泛化并扩展了各种对图进行操作的神经网络方法，并为操作结构化知识和产生结构化行为提供了直接的界面。
我们讨论图网络如何支持关系推理和组合泛化，为更复杂的、可解释的和灵活的推理模式奠定基础。图网络本论文提出的图网络（GN）框架定义了一类对图结构表征进行关系推理的函数。该 GN 框架泛化并扩展了多种图神经网络、MPNN 和 NLNN 方法（Scarselli 等，2009a; Gilmer 等，2017; Wang 等，2018c），并支持从简单的构建模块建立复杂的架构。
注意，这里避免了在「图网络」中使用「神经」术语，以反映它可以用函数而不是神经网络来实现，虽然在这里关注的是神经网络实现。GN 框架的主要计算单元是 GN 模块，这是一个「图到图」的模块，以图为输入，在结构层面上执行计算，并返回一个图作为输出。如 Box3 所示，实体由图节点表征，由边连接，系统级特性由全局属性表征。
GN 框架的模块组织强调了可定制性，并能合成可以表达关系归纳偏置的新架构。其关键的设计原则是：灵活的表征；可配置的模块内部结构；以及可组合的多模块框架。举个例子来比喻 GN 的形式化原则：考虑预测一堆橡胶球在任意引力场中的运动，它们不是互相碰撞，而是通过一个或多个弹簧互相连接。其结构和相互作用对应于 GN 的图表征和计算执行。
Box 3:「图」的定义参考文献：https://www.quantamagazine.org/to-build-truly-intelligent-machines-teach-them-cause-and-effect-20180515/http://www.inference.vc/untitled/。
形式逻辑中的假言命题和推理的区别是什么？
一①推理：从已有的判断，得出新的判断的过程，思维模式。已有的判断是前提，条件；新的判断是结论，推论。②推理有因果，归纳，类比，三段论，假设等类型。因果推理如：因为生病，所以没有起床。归纳推理如：张三有名有姓，李四有名有姓，王五也有名有姓，所有的人必然都有名有姓。类比推理如：勾践成功复国，就杀掉了功臣文种；朱元璋也一样，当了皇帝，就大肆屠杀功臣。
三段论如：人都是会死的，秦始皇也是人，所以秦始皇也会死，不会长生不老。假设推理如：假设华为没有提前研发核心部件，必然会重蹈中兴的覆辙。可见，假设推理只是推理的其中一种形式，所以假言命题的推理仍然属于推理，和一般的推理没有根本的不同。唯一的区别只是其前提，条件，以假设的形式出现。二。假言命题①命题1.句子有陈述句，感叹句，祈使句，疑问句等。
命题属于陈述句。2.秦始皇活了一千年。一年有十二个月。今天下雨了。以上三句话，都属于陈述句，第一句绝对错误，第二句正确，第三句没有说明什么时间，地点，所以无法判断真假。命题，能判断真假的陈述句。②假言命题1.单句只有一句话。复句，至少两句话组成。2.复句的类型：因果，并列，假设，承接，递进，选择，转折等。
