May, 2024

学习图上的粗粒度动力学

TL;DR我们考虑使用图神经网络(GNN)非马尔科夫建模框架来识别图上的粗粒化动力系统。我们的主要思路是通过检查莫里 - 茨旺齐记忆项的主导项如何依赖编码图拓扑的粗粒化相互作用系数,系统地确定 GNN 的体系结构。基于这个分析,我们发现适当的 GNN 体系结构需要至少进行 2K 步的消息传递(MP)机制,以考虑 K - 跳动力学相互作用。我们还推断出,在相互作用强度以跳距离的幂律衰减的假设下,准确的闭包模型所需的记忆长度会随着相互作用强度的减小而减小。针对两个例子,异质库拉莫特振荡器模型和电力系统,我们进行了支持性的数值演示,表明所提出的 GNN 体系结构能够预测固定和时变图拓扑下的粗粒化动力学。