Cayley graph
PulseAugur coverage of Cayley graph — every cluster mentioning Cayley graph across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
神经符号AI发现代数图构造
研究人员开发了一种神经符号智能体，能够发现图的代数描述，即使只提供邻接矩阵等原始数据。该智能体结合了大型语言模型和SageMath计算机代数系统，通过模型上下文协议（MCP）服务器进行通信。该系统成功地为预定义的强对称图基准测试中的所有100个图识别出了代数构造，显著优于基线方法。作为一项实际应用，该智能体找到了一个16个顶点的图的显式代数构造，这是迄今为止已知的最小的Bernhart-Kainen可分散性猜想的反例。
-
Siamese GNN 以 95.9% 的准确率预测子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型将群表示为 Cayley 图并生成嵌入，然后将这些嵌入与代数特征相结合。这种集成方法在测试集上达到了 95.9% 的准确率，证明了几何深度学习在这一计算群论问题中的应用价值。
-
Siamese GNN 以 95.9% 的准确率预测有限群的子群关系
研究人员开发了一种 Siamese 图神经网络 (Siamese GNN) 来预测有限群中的子群关系。该模型使用 Cayley 图表示群，并生成与代数特征相结合的嵌入。该方法在独立测试集上达到了 95.9% 的准确率，展示了几何深度学习在计算群论问题中的潜力。
-
图神经网络从凯莱图中学习代数性质
研究人员开发了一个通用框架，使用图神经网络（GNNs）直接从有限群的凯莱图表示中学习其代数性质。这个与性质无关的框架在阿贝尔性、幂零性和可解性上进行了测试，证明了GNNs可以仅从图结构中成功提取和区分这些代数特征。研究结果表明，凯莱图编码了重要的代数信息，可以通过图表示学习进行有效分析，为GNNs在抽象代数中的应用提供了概念验证。