The $μ\mathcal{G}$ Language for Programming Graph Neural Networks

要約

グラフ ニューラル ネットワークは、グラフ構造のデータを処理するように特別に設計されたディープ ラーニング アーキテクチャのクラスを形成します。
そのため、これらは、特に説明可能性と信頼性の問題に関して、深層学習に固有の制限と問題を共有しています。
我々は、これらの問題を克服することを目的とした、グラフ ニューラル ネットワーク仕様のための独自のドメイン固有言語である $\mu\mathcal{G}$ を提案します。
言語の構文が導入され、その意味は表示意味論によって厳密に定義されます。
操作セマンティクスの形式での同等の特徴付けも提供され、型システムとともに、$\mu\mathcal{G}$ の型の健全性を証明するために使用されます。
$\mu\mathcal{G}$ プログラムをよりユーザーフレンドリーなグラフィカルな視覚化でどのように表現できるかを示し、最も一般的なグラフ ニューラル ネットワーク モデルのいくつかを定義するためにそれを使用する方法を示すことで、その汎用性の例を示します。
またはカスタム グラフ処理アプリケーションを開発することもできます。

要約(オリジナル)

Graph neural networks form a class of deep learning architectures specifically designed to work with graph-structured data. As such, they share the inherent limitations and problems of deep learning, especially regarding the issues of explainability and trustworthiness. We propose $\mu\mathcal{G}$, an original domain-specific language for the specification of graph neural networks that aims to overcome these issues. The language’s syntax is introduced, and its meaning is rigorously defined by a denotational semantics. An equivalent characterization in the form of an operational semantics is also provided and, together with a type system, is used to prove the type soundness of $\mu\mathcal{G}$. We show how $\mu\mathcal{G}$ programs can be represented in a more user-friendly graphical visualization, and provide examples of its generality by showing how it can be used to define some of the most popular graph neural network models, or to develop any custom graph processing application.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google