Measuring trainable degrees of freedom in materials graph neural networks: a random-subspace intrinsic dimension analysis
Este artículo introduce la dependencia de los grados entrenables como una nueva caracterización para las redes neuronales de grafos de materiales mediante el uso del análisis de la dimensión intrínseca de subespacios aleatorios para revelar cómo diferentes arquitecturas y tareas de predicción varían en su sensibilidad al número de grados de libertad entrenables requeridos para alcanzar un alto rendimiento, distinguiendo estas demandas de la precisión final por sí sola.