La geometria algebrica tropicale migliora le reti neurali a grafo per l'analisi della morfologia neuronale

Un recente articolo su arXiv (2608.04460) presenta un nuovo prior geometrico senza addestramento che sfrutta la geometria algebrica tropicale per migliorare le Reti Neurali a Grafo (GNN) nell'esame di strutture neuronali 3D. I ricercatori evidenziano che le GNN basate sul message-passing sono limitate dal test 1-Weisfeiler-Lehman (1-WL), che non tiene adeguatamente conto dei cicli creati dalle relazioni spaziali. Per affrontare questa limitazione, utilizzano la trasformata di Abel-Jacobi tropicale e le distanze di polarizzazione per l'apprendimento automatico su dati ad albero. Il loro approccio presenta una pipeline di trasformazione strutturale che incorpora l'aumento dello spazio dei cicli e la formazione di spazi quoziente, trasformando gli alberi spaziali in grafi metrici ciclici per l'incorporamento nel Jacobiano tropicale. Poiché il calcolo delle distanze esatte di polarizzazione tropicale comporta la risoluzione del problema NP-hard del vettore più vicino (CVP) su reticoli interi, gli autori evitano di utilizzare approssimazioni esplicite che potrebbero portare a errori di quantizzazione. Questo lavoro introduce un descrittore innovativo per l'apprendimento su grafi, che potrebbe migliorare la valutazione quantitativa delle architetture neuronali.