כתבה
arXiv cs.AI ·
LiftGCN: רשת גרפית יעילה ללמידת גרפים עם שיפור אנרגטי דרך עלייה ספקטרלית של Joukowski לתחושת טיפוס חומרה
LiftGCN: Efficient Energy-Preserving Graph Learning via Joukowski Spectral Lifting for Finite Element Stress Prediction
LiftGCN היא רשת גרפית יעילה שמשמשת ללמידת גרפים עם שיפור אנרגטי. היא משתמשת בעלייה ספקטרלית של Joukowski לתחושת טיפוס חומרה. ה-LiftGCN מציעה פתרון יעיל יותר ללמידת גרפים עם שיפור אנרגטי.
תקציר מקורי באנגליתarXiv:2609.14977v1 Announce Type: cross Abstract: Finite element stress fields often exhibit strong local non-smoothness, where stress concentrations near holes, notches, and loading regions induce sharp spatial gradients and high-frequency graph components. Although graph neural networks naturally operate on irregular finite element meshes, conventional message passing is inherently smoothing and progressively attenuates such high-frequency information. Unitary propagation alleviates this problem by preserving spectral magnitudes, but typically relies on matrix functions and high-order approximations with $O(Ked)$ propagation complexity. We propose LiftGCN, an efficient spectrally stable graph network based on Joukowski spectral lifting. LiftGCN maps the real spectrum of a normalized grap
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית