Measuring trainable degrees of freedom in materials graph neural networks: a random-subspace intrinsic dimension analysis
이 논문은 무작위 부분 공간 내재 차원 분석을 사용하여 서로 다른 아키텍처와 예측 작업이 높은 성능을 달성하는 데 필요한 학습 가능한 자유도의 수에 대해 어떻게 다르게 민감하게 반응하는지를 밝힘으로써, 최종 정확도 자체와는 구별되는 학습 가능한 자유도 의존성을 재료 그래프 신경망을 위한 새로운 특성 지표로 도입한다.