Les Graph Neural Networks canoniques requièrent des variétés sémantiques courbes
Les Graph Neural Networks canoniques se trouvent structurellement contraints lorsqu'il s'agit de cartographier l'attribution textuelle complexe : l'agrégation linéaire en espace euclidien plat entraîne inévitablement une dérive sémantique. Pour représenter fidèlement un savoir de haute dimension, il faut opérer la transition vers des variétés sémantiques courbes, où la géométrie elle-même porte la structure relationnelle.
Au fil de trente années passées à bâtir des pipelines d'analyse scientifique — génétique, imagerie satellitaire, applications financières multi-continentales à haute résilience — le fil conducteur est demeuré le même : les représentations doivent rester mathématiquement fidèles à leur géométrie sous-jacente, faute de quoi elles cessent d'être interprétables à l'instant même où les données quittent l'ensemble de développement.
J'ai récemment publié en open source un cadriciel qui découvre des relations émergentes de graphes de connaissances dans des espaces vectoriels sémantiques d'ordre supérieur, par apprentissage de variétés et analyse spectrale. Les preuves initiales, un bref avant-goût et le code Python se trouvent sur paudley/nonlinear-semantic-graphs ; l'article de travail qui motive la conception figure dans les Publications.
Je cherche à nouer des liens avec des chercheurs et scientifiques appliqués spécialisés en Topological Data Analysis, Geometric Deep Learning et Knowledge Representation — tout particulièrement quiconque œuvre sur l'agrégation géodésique ou la théorie spectrale des graphes — afin de porter ces idées vers des déploiements industriels robustes. Commentez le billet LinkedIn d'origine ou écrivez-moi directement.
Lien permanent: https://patrickaudley.com/posts/graph-neural-networks-need-curved-manifolds.html · Markdown