Measuring trainable degrees of freedom in materials graph neural networks: a random-subspace intrinsic dimension analysis
Questo articolo introduce la dipendenza dal grado addestrabile come una nuova caratterizzazione per le reti neurali a grafi per i materiali, utilizzando l'analisi della dimensione intrinseca del sottospazio casuale per rivelare come diverse architetture e compiti di previsione varino nella loro sensibilità rispetto al numero di gradi di libertà addestrabili necessari per raggiungere alte prestazioni, distinguendo tali richieste dalla sola accuratezza finale.