محققان در مقالهای جدید، دنیای «یادگیری عمیق هندسی» (Geometric Deep Learning) را با معرفی OENN (Order-Equivariant Neural Networks) وارد فاز جدیدی کردهاند.
این شبکه جدید با بهرهگیری از نظریه «بستههای هموردا» (Equivariant Bundles)، محدودیتهای شبکههای گراف و شبکههای عصبی دستهای (Sheaf Neural Networks) را کنار میزند. نکته جذاب این پژوهش، اثبات تئوریهای تقریب سراسری (UAT) برای این مدلهاست که پیش از این برای ساختارهای مشابه وجود نداشت.
به زبان ساده، این دستاورد به مدلهای هوش مصنوعی اجازه میدهد تا تقارنهای پیچیدهتر و ساختارهای طبقهبندی شده در دادهها (مانند روابط ترکیبی) را با دقت و بهرهوری بسیار بالاتری درک و پردازش کنند. این گامی رو به جلو برای مدلهایی است که با ساختارهای گرافمحور سروکار دارند.
منبع: arXiv AI