用于预测有限群可解性的图神经网络

arXiv cs.LG 论文
graph-neural-networks group-theory solvability-prediction machine-learning mathematics ai-for-math

摘要

本文应用图神经网络预测有限群的可解性，展示了人工智能方法解决群论中经典问题的能力。

arXiv:2606.07619v1 公告类型：新 摘要：我们提出了一种图神经网络（GNN）框架，用于根据可解性对有限群进行分类。利用与有限群相关的图表示，包括凯莱图（CG），所提出的模型仅通过结构图信息即可训练区分可解群和非可解群。该框架在训练数据集之外的群上进行评估，以探究GNNs能够在多大程度上学习群论中的代数性质。更广泛地说，本文探讨了有限群的代数结构与基于图的几何表示之间的关系。本研究旨在作为一项概念验证调查，考察GNNs能否从基于图的表示中学习有限群的代数性质。
查看原文
查看缓存全文

缓存时间: 2026/06/09 08:51 

# 用于预测有限群可解性的图神经网络
来源：https://arxiv.org/abs/2606.07619
文献工具

## 文献与引用工具

文献浏览器 切换

代码、数据与媒体

## 与本文相关的代码、数据与媒体

演示

## 演示

相关论文

## 推荐与搜索工具

IArxiv 推荐器 切换

关于 arXivLabs

## arXivLabs：与社区合作者的实验项目

arXivLabs 是一个框架，允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。

无论是个人还是组织，只要与 arXivLabs 合作，都已接受并认同我们关于开放性、社区、卓越以及用户数据隐私的价值观。arXiv 致力于这些价值观，并仅与遵守这些价值观的合作伙伴合作。

有一个能为 arXiv 社区增添价值的项目想法？**了解更多关于 arXivLabs 的信息** (https://info.arxiv.org/labs/index.html)。

相似文章

EnSol：一种用于分子溶解度预测的环境感知图神经网络

arXiv cs.LG

EnSol是一种环境感知图神经网络，它通过将溶质和溶剂表示为图，并使用交叉注意力来建模相互作用，同时利用概率输出来捕捉温度效应和实验不确定性，从而预测分子溶解度。该模型在基准数据集上取得了最先进的性能，并经过实验验证。

AutoGraphForge：走向自动化图论发现

arXiv cs.AI

本文介绍了AutoGraphForge，这是一个用于自动化图论发现的计算管道，它生成猜想，针对大数据集进行测试，并使用神经证明器在Lean 4中进行形式化验证。