Graph Neural Networks (GNN) dans logiCells

Statut documentaire : reference — voir Maturité et preuves.

Les réseaux de neurones sur graphes apprennent à partir de caractéristiques de nœuds combinées à la structure du graphe.

Spécificité logiCells

La structure source peut provenir du graphe ou de l’hypergraphe conceptuel, ce qui permet de conserver un lien explicite entre les représentations apprises et les concepts ou relations du modèle.

Calcul typique

Une couche GNN combine généralement :

1. les caractéristiques des nœuds ;
2. la structure de voisinage ;
3. une règle d’agrégation ;
4. une transformation entraînable ;
5. une fonction d’activation.

Une normalisation fondée sur le degré des nœuds ou sur un autre opérateur de graphe peut stabiliser la propagation.

Adjacence conceptuelle

Les structures d’adjacence ou d’incidence peuvent être générées à partir des relations conceptuelles, puis projetées vers des formes numériques adaptées au noyau neuronal sélectionné.

Apprentissage

Les paramètres GNN sont entraînés selon les mêmes principes de calcul différentiable que les autres couches neuronales. Le graphe conceptuel reste la source sémantique ; les tenseurs appris sont des projections d’exécution.