09:17官方账号arXiv cs.LG@Curtis Shull, Merrick Green, Roy Rucker该论文提出一种基于图神经网络(GNN)的框架,从RFID观测中推断室内空间几何。系统将RFID阅读器、标签和物理结构建模为图节点,信号强度和平面图语义编码为边特征。GNN被训练来预测线性轨迹、矩形边界区域和物体移动路径等几何模式。该方法相比传统RFID定位,能捕获对象与基础设施之间的高阶空间关系。实验在室内平面图数据上验证了有效性。论文Graph Neural NetworksRFID室内定位推荐理由:这篇论文用图神经网络把RFID信号变成空间地图,能预测物体移动轨迹,比单纯定位更聪明,室内导航和机器人适用。原文稍后读已读值得跟进有用关注 Graph Neural Networks
10:56官方账号arXiv cs.LG@Eric Chillón, Artur K. Lidtke, Nguyen Anh Khoa Doan, Bernat Font本研究提出一种数据驱动的代数多重网格(AMG)平滑器,采用改进的图卷积同构网络(GCIN)。该网络从稀疏系数矩阵中学习最优多项式系数,以构建稀疏伪逆算子,在非结构化网格上减少V-cycle迭代次数。在多个基准测试中,该方法实现了4%到37%的壁钟时间加速。模型展现出强大的泛化能力,可处理训练时未见过的、尺寸大128倍的网格,并加速AirfRANS数据集等工业相关问题的收敛。论文Graph Neural NetworksAMG压力-Poisson方程推荐理由:这篇论文用图神经网络优化AMG求解器,在非结构网格上提速最高37%,而且能在128倍大的网格上照样用,搞CFD的可以看看。原文稍后读已读值得跟进有用关注 Graph Neural Networks