拓扑深度学习架构：基于消息传递的拓扑神经网络综述
机器学习
2024-02-23 v3
摘要
自然世界充满复杂系统，其组分间具有错综复杂的关系：从社交网络中个体间的社会互动，到蛋白质中原子间的静电相互作用。拓扑深度学习（TDL）提供了一个全面框架，用于处理并提取与这些系统相关数据中的知识，例如预测个体所属的社会社群，或预测某蛋白质能否作为合理的药物开发靶标。TDL已展现出理论与实际优势，有望在应用科学及更广领域开辟新天地。然而，针对关系系统的TDL文献快速增长，也导致基于消息传递的拓扑神经网络（TNN）架构在符号与术语上缺乏统一。这构成了在现有工作基础上推进、以及将消息传递TNN部署到新现实问题的真正障碍。为应对此问题，我们提供面向关系系统的TDL入门介绍，并使用统一数学与图形符号比较近期发表的消息传递TNN。通过对新兴TDL领域的直观且批判性综述，我们提炼出关于当前挑战与未来发展的宝贵见解。
引用
@article{arxiv.2304.10031,
title = {Architectures of Topological Deep Learning: A Survey of Message-Passing Topological Neural Networks},
author = {Mathilde Papillon and Sophia Sanborn and Mustafa Hajij and Nina Miolane},
journal= {arXiv preprint arXiv:2304.10031},
year = {2024}
}