Measuring trainable degrees of freedom in materials graph neural networks: a random-subspace intrinsic dimension analysis
本論文は、ランダム部分空間固有次元解析を用いることで、異なるアーキテクチャや予測タスクが、高い性能を達成するために必要とされる学習可能な自由度の数に対してどのように感度が変化するかを明らかにし、それらの要求を最終的な精度のみから区別することにより、材料グラフニューラルネットワークのための新しい特性評価として学習可能自由度依存性を導入するものである。