Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks

这篇文章讨论了点集的离散度作为衡量其分布不规则性的一种常用方法。离散度小的点集称为低离散度点集，已知它们可以有效地以均匀的方式填充空间。低离散度点在许多科学和工程问题中发挥着核心作用，包括数值积分、计算机视觉、机器感知、计算机图形学、机器学习和模拟。本文提出了第一个机器学习方法来生成一类名为消息传递蒙特卡罗（MPMC）点的低离散度点集。由于生成低离散度点集的几何本质，我们利用几何深度学习的工具，基于图神经网络构建了我们的模型。我们进一步将我们的框架扩展到更高的维度，这样可以灵活地生成重点强调特定维度均匀性的定制点，以解决具体问题。最后，我们证明了我们提出的模型在性能上优于以前的方法，并且在每个维度和可以确定最优离散度的点数方面，MPMC点在实践中被证明是最优或接近最优的。

本文旨在提出一种新的机器学习方法来生成低不一致性点集，即Message-Passing Monte Carlo (MPMC)点集。这种点集在许多领域中都有广泛应用，包括数值积分、计算机视觉、机器学习和模拟等。

本文提出了一种基于图神经网络的机器学习方法，利用几何深度学习的工具来生成低不一致性点集。此外，还提供了一个扩展框架，使得可以在高维空间中生成自定义的点集，并强调在特定维度上的均匀性。该模型在性能上超越了以前的方法，并且在每个维度和点数上都达到了最优或接近最优的不一致性。

本文提出了一种新的机器学习方法来生成低不一致性点集，即Message-Passing Monte Carlo (MPMC)点集。该方法基于图神经网络和几何深度学习的工具，可以在高维空间中生成自定义的点集，并强调在特定维度上的均匀性。实验结果表明，该方法在性能上超越了以前的方法，并且在每个维度和点数上都达到了最优或接近最优的不一致性。

最近的相关研究包括：1. “Low-Discrepancy Sequence Generators with Multiple Recursive Structures”；2. “Sobol’ Indices and Shapley Value for Global Sensitivity Analysis: Theory and Practice”；3. “A New Class of Digital Nets with Maximal Order of Truncation and Their Monte Carlo Integration”.