PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17882v1cs.AI

구조적 보존과 그래프 신경망의 논리적 표현력

Structural Preservation and the Logical Expressiveness of Graph Neural Networks

그래프 신경망(GNN)과 논리 형식 체계(logical formalisms) 사이의 연결은 집계(aggregation), 결합(combination), 활성화 함수(activation functions) 유형과 같은 아키텍처 선택을 고정함으로써 확립되어 왔다. 이러한 선택은 논리 공식(logical formulae)을 동등한 GNN으로, 그리고 역으로 GNN을 동등한 공식으로 번역할 수 있음을 보임으로써, 논리 형식 체계와 긴밀한 대응을 얻을 수 있는 GNN의 제한된 클래스를 정의한다. 본 논문에서는 임베딩(embedding, 확장), 단사 준동형사상(injective homomorphism), 준동형사상(homomorphism)과 같은 구조적 성질(structural properties) 하에서 보존되는 GNN 분류기 클래스의 논리적 표현력을 확립함으로써 의미론적(semantic) 관점을 취한다. 우리는 각각의 이러한 성질에 대해 GNN 클래스를 특성화(characterise)하는 등급 모달 논리(graded modal logic)의 단편(fragment)이 존재함을 보인다. 특히, 임베딩, 단사 준동형사상, 준동형사상 하에서의 보존은 각각 존재 등급 모달 논리(existential graded modal logic), 그 존재-긍정(existential-positive) 단편, 존재-긍정 모달 논리(existential-positive modal logic)에 대응한다. 이 결과들은 특정 아키텍처 선택과 무관하게 광범위한 GNN 클래스의 표현력을 특성화하지만, 우리는 또한 이러한 클래스 각각이 동일한 표현력을 갖는 GNN 아키텍처를 허용함을 보인다. 기술적으로, 우리 접근법은 유계 높이(bounded height) 트리에 대한 새로운 준전순(well-quasi-order) 결과를 사용하여, 언래블링 불변(unravelling-invariant) 클래스의 유한 표현(finite representations)을 산출한다.