用神经 $k$ 形式进行简单表示学习

MMDec, 2023

用神经 $k$ 形式进行简单表示学习

Simplicial Representation Learning with Neural $k$-forms

Kelly Maggs, Celia Hacker, Bastian Rieck

TL;DR利用差分形式在 R^n 空间中创建单纯形的表示，提供了可解释性和几何一致性，实现了全局逼近，并超越现有的基于消息传递的神经网络，在利用具有节点特征作为坐标的几何图中获取信息方面有显著性能优势。

Abstract

geometric deep learning extends deep learning to incorporate information about the geometry and topology data, especially in complex domains like graphs. Despite the popularity of message passing in this field, it has limitations such as the need for graph rewiring, ambiguity in interp

geometric deep learning simplicial complexes differential k-forms interpretability universal approximation

发现论文，激发创造

单纯形复形表示学习

本文提出了一种基于几何传递的方法，以端到端的方式将一个单纯复形嵌入到一个通用嵌入空间中，从而实现单纯复形级别的表示学习，并在公开可用的网格数据集上进行了验证。这是学习单纯复形级别表示的第一种方法。

Mar, 2021

几何深度学习：网格、群、图、测地线和规范

通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

Apr, 2021

距离矩阵是否足以支持几何深度学习？

该研究提出了一种新型的图神经网络 $k$-DisGNNs，用于从距离矩阵中学习图的几何结构，实现了图结构学习和几何深度学习的统一，并证明了其高表达能力与卓越性能。

Feb, 2023

使用混合模型 CNN 对图和流形进行几何深度学习

这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

Nov, 2016

单纯二维复形卷积神经网络

在 Simplicial 2 - 复合体中，我们开发了一个卷积神经网络层，以处理具有图形或超图结构的数据，这提供了图形结构和超图结构之间的中间地带。

Dec, 2020

嵌入复合体的不变表示

提出了一种新的方法，利用拓扑和几何信息，仅仅使用统计数据和图神经网络就能对嵌入的单纯复合体进行无细分和等距不变分析。利用合成网格数据集证明了该方法的有效性。

Feb, 2023

Dist2Cycle：用于同调定位的单纯神经网络

该论文提出了一种基于图卷积模型的方法，通过对组合 $k$- 维霍奇拉普拉斯算子的谱操作，实现对高维拓扑特征的学习，特别是距离每个 $k$- 单形形式化的最优 $k$- 阶同调生成器的距离，为同调定位提供了一种替代方法。

Oct, 2021

单纯神经网络

该研究介绍了单纯神经网络（SNNs），作为图神经网络在特殊拓扑空间，即单纯复合体上的一般化形式。这种新的神经网络结构，能够处理包括向量场或 n 重合作网络等更多元的数据，也定义了适当的卷积方式，并在合著关系复合体的数据丢失方面进行测试。

Oct, 2020

几何深度学习：超越欧几里德数据

本文主要探讨了几种几何深度学习问题以及目前存在的解决方案、主要困难、应用和未来研究方向。这些问题涉及非欧几里得域，需要使用结构化的深度神经模型来解决。

Nov, 2016

图神经网络中基于几何原理的连接

本文提出应该将几何图形应用作几何深度学习创新的主要推动力量，并介绍了一种称为仿射跳跃连接的新型构建块，该构建块由完全连接层与任何图卷积算子组合而成，证明其可以显著提高图分类等任务的性能。

Apr, 2020