Bálint László Szarvas

新的卷积神经网络框架通过群等变性增强偏微分方程建模

研究人员推出了一种新颖的框架——条件 Clifford 可微卷积神经网络 (C-CSCNNs)，旨在增强标准 CSCNNs 的表达能力和性能。这种新方法通过引入对任意伪欧几里得群的等变性，并用依赖于输入的表示来增强核，从而解决了现有模型中的局限性。该框架在流体动力学和相对论电动力学等各种偏微分方程 (PDE) 预测任务上展示了强大的实证结果，其性能优于传统的 CSCNNs，并与最先进的基线相当。