Vývoj doménově specifického diferencovatelného funkcionálního jazyka

Abstract

Hluboké neuronové sítě způsobily revoluci v mnoha oborech, ale často mají problémy se zachycením složitých, nepravidelných struktur, které se vyskytují v reálných datech. Pro řešení tohoto problému byly vytvořeny frameworky relačních grafových neuronových sítí, které umožňují zpracovávat a učit se i z takových vzorů. Cílem této práce je vyvinout nový doménově specifický diferencovatelný funkcionální jazyk pro podporu logického programování v rámci jednoho takového frameworku. Navržený jazyk zjednodušuje a vylepšuje deklarování problémů a činí jej pro uživatele intuitivnějším. Rozšiřuje také vyjadřovací schopnosti relačních modelů, což umožňuje bohatší a flexibilnější reprezentaci dat. Na několika konkrétních příkladech je demonstrována efektivita nové syntaxe, která zároveň zachovává výpočetní efektivitu původního frameworku a zároveň výrazně zlepšuje uživatelský komfort a zkracuje dobu vývoje. Výsledek této práce poskytuje robustní základ pro integraci logického uvažování s učením neuronových sítí, což vede k přesnějším a lépe interpretovatelným modelům aplikacích, jako je zpracování přirozeného jazyka, doplňování znalostních grafů a bioinformatika.

Deep Neural Networks have revolutionized many fields but often struggle with capturing complex, irregular structures found in real-world data. To address this, relational graph neural network frameworks were created, enabling processing and learning even from such patterns. This work aims to develop a new domain-specific differentiable functional language to support logic programming within one such framework. The proposed language simplifies and enhances problem declaration, making it more intuitive for users. It also expands the expressive capabilities of relational models, allowing for a richer and more flexible data representation. Through multiple case-specific examples, the effectiveness of the new syntax is demonstrated, showing that it retains the computational efficiency of the original framework while significantly improving user experience and reducing development time. Result of this work provides a robust foundation for integrating logical reasoning with neural network learning, facilitating more accurate and interpretable models in various applications such as natural language processing, knowledge graph completion, and bioinformatics.