ESNN に関する報道

この論文では、等変層ニューラル ネットワーク (ESNN) を提案しています。一次のスカラー/ベクトル特性と厳密なユークリッド等分散を維持することを前提として、隣接するベクトル特性間の行列値の伝達を学習することで幾何学的柔軟性を高めます。この理論は、相対変位が共変入力として使用される場合の伝達形式を示します。ベクトル変換を固定演算に限定していた以前の一次等変 GNN と比較して、ESNN は柔軟性をエッジ伝送に移し、幾何学的な深層学習に新しいアーキテクチャの方向性を提供しました。