Искусственный интеллект на службе графов: новый подход к экстремальной теории графов

Агент, использующий метод глубокой кросс-энтропии, успешно опроверг гипотезу 3.6, продемонстрировав наилучшие результаты при определенном количестве шагов и предоставив два контрпримера порядка 1616.

Исследователи разработали систему, использующую машинное обучение с подкреплением для поиска контрпримеров и проверки гипотез в области экстремальной теории графов.

Графы, которые учатся: новая архитектура для устойчивых нейросетей

В рамках предложенной структуры AdvSynGNN, устойчивые метрики узлов формируются посредством синтеза многомасштабных признаков, выравнивания контрастных представлений с использованием самообучающегося критерия [latex]\mathcal{L}\_{\text{ssl}}[/latex], и адаптивной коррекции остатков, основанной на взвешенной простракции оценок меток с учетом калибровки [latex]c\_i[/latex] или [latex]\alpha\_i[/latex], что позволяет смягчить структурный шум и, используя гетерофилию-адаптивный графовый трансформатор с обученным структурным смещением внимания [latex]\phi\_{ij}[/latex], обеспечить надежное распространение информации, кульминирующее в устойчивых предсказаниях [latex]Z^{(\in fty)}[/latex] посредством надежной диффузии и ансамблевого объединения, формируя финальные метки узлов [latex]Y\_{\text{final}}[/latex].

Исследователи представили AdvSynGNN — инновационную структуру графовых нейронных сетей, способную эффективно справляться со сложными и неоднородными графами реального мира.