基于图子卷积的等变神经算子学习
机器学习
2023-11-21 v1
摘要
我们提出一种通用架构,将系数学习方案与残差算子层结合,用于学习三维欧氏空间中连续函数之间的映射。我们所提模型在设计上保证实现 SE(3)-等变性。从图谱视角看,我们的方法可解释为图子(具有无穷多节点的稠密图)上的卷积,我们称之为 InfGCN。通过同时利用输入数据的连续图子结构与离散图结构,我们的模型能在保持等变性的同时有效捕获几何信息。在大规模电子密度数据集上的大量实验表明,我们的模型显著优于当前最先进的架构。我们还进行了多项消融研究以证明所提架构的有效性。
引用
@article{arxiv.2311.10908,
title = {Equivariant Neural Operator Learning with Graphon Convolution},
author = {Chaoran Cheng and Jian Peng},
journal= {arXiv preprint arXiv:2311.10908},
year = {2023}
}