Finite groups
PulseAugur coverage of Finite groups — every cluster mentioning Finite groups across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI辅助研究定义了新的数学不变量
研究人员引入了一个与有限群中的Chowla型阶条件相关的新数学不变量，将Chowla集定义为其中每个元素的阶都大于子集大小的子集。该研究推导了循环群的精确除数公式，并为有限阿贝尔p群提供了封闭公式。还开发了有限域扩张的线性类似物，为可分扩张中的Chowla子空间得出了精确公式。
-
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。
-
新框架使用傅里叶分析进行高效数据增强
研究人员开发了一个新的框架，利用傅里叶分析和有限群表示论来研究数据增强策略。他们的工作表明，对于许多学习问题，使用随机抽样的群元素子集进行的局部数据增强可以达到与完全增强相同的统计效益。这种方法为具有对称性的学习提供了一种计算上可扩展的方法，解决了完全增强在大群上的不可行性。该研究还包括一个不可能结果，表明精确的不变性强制执行需要对整个群进行平均。
-
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。