用可解释图网络提出通用代数猜想

Interpretable Graph Networks Formulate Universal Algebra Conjectures

F Giannini, S Fioravanti, O Keskin, A M Lupidi, L C Magister, P Lio, P Barbiero
[Università di Siena & University of Cambridge]

用可解释图网络提出通用代数猜想

动机：尽管人工智能在硬科学领域取得了显著的成果，但其在通用代数(UA)领域的应用仍然尚未开发，而且图神经网络的解释能力有限，不利于验证现有的猜想或者形成新的猜想。
方法：提出一种通用算法，可以生成基于UA猜想的适用于AI的数据集，并引入一种新的神经层，用于构建完全可解释的图网络。
优势：实验结果表明，可解释的图网络能在不牺牲任务准确性的前提下提高可解释性，在预测通用代数性质时具有强大的泛化能力，能生成简单的解释，从而验证现有的猜想，并确定可能对形成新的猜想有帮助的子图。

首次采用人工智能方法研究通用代数领域的等式和拓扑猜想，提出一种新的算法生成适用于AI模型的数据集，并引入了一种新的神经层构建可完全解释的图网络，实验结果显示了方法的优势和潜力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除