כתבה
arXiv cs.LG ·
Graph Neural Networks לסיווג קבוצות סופיות לפי ניתוח ניתוח
Graph Neural Networks for Predicting Solvability of Finite Groups
מודלי Graph Neural Networks חדשים יכולים לסיווג קבוצות סופיות לפי ניתוח ניתוח. המודלים, שפותחו על ידי LangGraph, יכולים ללמוד להבדיל קבוצות סופיות שיכולות להיות פתורות מאלה שאינן. המודלים נבחנו על 200 קבוצות סופיות, והם הציגו דיוק של 100%.
תקציר מקורי באנגליתarXiv:2606.07619v3 Announce Type: replace Abstract: We present a Graph Neural Network (GNN) framework for the classification of finite groups according to their solvability. Using undirected Cayley graph representations, the proposed framework learns to distinguish solvable and non-solvable groups directly from structural graph information, without relying on explicit algebraic features. The framework is evaluated on a benchmark dataset of 200 finite groups, comprising 120 solvable and 80 non-solvable groups. The experiments investigate the extent to which GNNs can learn the algebraic property of solvability from Cayley graph representations and generalize to previously unseen finite groups. The selected GNN architecture achieved a balanced accuracy (BA) of 1.000 on the independent test se
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית