E(n)等变消息传递单纯形网络
机器学习
2023-10-24 v2 人工智能
摘要
本文提出 等变消息传递单纯形网络（EMPSNs），一种在几何图与点云上学习的新型方法，其对旋转、平移和反射具有等变性。EMPSNs 能够学习图中的高维单纯形特征（如三角形），并以 等变方式利用高维单纯形几何信息的增加。EMPSNs 同时将 等变图神经网络推广至拓扑上更精细的对应形式，并为在消息传递单纯形网络中纳入几何信息提供了方法。结果表明，EMPSNs 能结合两种方法的优势，相较于任一单独方法总体性能提升。此外，结果表明纳入几何信息可作为消息传递网络中过平滑的有效抑制手段，尤其在处理高维单纯形结构时。最后，我们展示 EMPSNs 在几何图学习上与最先进方法相当。
引用
@article{arxiv.2305.07100,
title = {E(n) Equivariant Message Passing Simplicial Networks},
author = {Floor Eijkelboom and Rob Hesselink and Erik Bekkers},
journal= {arXiv preprint arXiv:2305.07100},
year = {2023}
}