Cayley Graphs with given Arc-Type
PulseAugur coverage of Cayley Graphs with given Arc-Type — every cluster mentioning Cayley Graphs with given Arc-Type across labs, papers, and developer communities, ranked by signal.
-
新方法利用对称性从单轨迹识别动力系统
研究人员开发了一种利用固有对称性识别动力系统的新方法。该方法表明，具有已知对称性的系统可以比通用系统从更短的轨迹中识别出来。此外，该方法还可以从单个轨迹中自动发现未知的对称群，在已知对称性情况下的识别长度与此相同。这项工作利用了群表示论的工具和凯莱图的性质。
-
新的 R 包 `cayleyR` 使用图论解决排列难题
研究人员开发了 `cayleyR`，这是一个 R 包，旨在通过分析 Cayley 图中的循环交集来解决排列难题。该包采用迭代双向搜索算法，从初始状态和目标状态生成循环，并通过它们的交集找到路径。它专门针对 TopSpin(n,k) 谜题，利用对称群 Sn 的 Cayley 图表示的状态空间。该实现集成了 C++ 进行状态存储，并提供可选的 Vulkan GPU 加速，该软件现已在 CRAN 上提供。
-
新数据集和图神经网络推动有限群对称性研究
研究人员开发了一个包含超过131,000个Cayley图的新数据集，作为研究有限群属性如何在图可观测量中体现的基准。这项工作还为OEIS贡献了新的枚举序列，并识别出经验规律，从而提出可检验的关于图属性的猜想。对经典模型、MLP和图神经网络（GNNs）的比较表明，GNNs，特别是GIN和GCN，能够直接从图数据中有效预测代数群属性。
-
图神经网络学习有限群的代数性质
研究人员开发了一个图神经网络（GNN）框架，旨在预测有限群的可解性。通过将有限群表示为图（如凯莱图），GNN被训练以仅使用结构图信息来识别可解群和不可解群。本研究作为概念验证，旨在探索GNN是否能从这些基于图的表示中学习抽象的代数性质。