Rozšíření grafových neuronových sítí o relační logiku

Abstract

Oblast grafových neuronových sítí rozšiřuje možnosti metod hlubokého učení z reprezentace dat ve formě tenzorů do strukturované reprezentace mimo Euklidovský obor. To umožňuje využití výkonu neurálních sítí na nepravidelných grafových strukturách, které jsou běžné pro popis učících problémů v mnoha doménách. Práce se opírá o principy grafových neuronových sítí a rozšiřuje je zapojením konceptů relační logiky, díky kterým je možné vyjádření učících problémů nad rámec jednoduché propagace grafu. Tohoto je docíleno pomocí nového deklarativního modelovacího jazyka, který je založen na logickém programovacím paradigmatu v duchu konceptu již dříve představeným pod označením ``Lifted Relational Neural Networks''. Navržené rozšíření výrazně přidává na expresivitě existujících grafových neuronových sítí a umožňuje vyjádření komplexních učících modelů z oblasti hlubokého relačního učení transparentním, interpretovatelným a uživatelsky přívětivým způsobem pomocí Python programovacího jazyka.

The field of Graph Neural Networks extends the capabilities of Deep Learning methods from grid-like tensor data to structured representations outside the Euclidean domain. This allows to utilize the power of Neural Networks upon irregular graph-like structures, which are common descriptors of learning problems in various domains. This thesis builds upon the principles of Graph Neural Networks and extends them further by coupling with concepts from relational logic to address learning problems beyond simple graph propagation. This is done via introduction of a new declarative modelling language building upon the logic programming paradigm, in the spirit of a concept previously introduced as ``Lifted Relational Neural Networks''. The proposed extension significantly adds to the expressiveness of existing Graph Neural Networks, allowing to encode complex deep relational learning models in a transparent, interpretable and user-friendly manner within the Python language.