Графовые нейросети на геометрии Финслера: новый метод для облаков точек

Графовые нейронные сети (GNN) широко используются для анализа данных на сетях и облаках точек. Однако большинство архитектур опирается на оператор Лапласа – Бельтрами, который описывает только изотропную диффузию. Это ограничивает их применение в задачах, где важна анизотропия или нелинейность.

Новая работа, опубликованная на arXiv (ID: 2606.17185), предлагает альтернативу: использовать дискретные оценки оператора Финслера. Геометрия Финслера обобщает риманову геометрию и позволяет моделировать асимметричные, нелинейные процессы распространения.

Авторы доказали, что при увеличении числа точек выборки их дискретные приближения сходятся к истинному оператору на многообразии. Более того, этот оператор можно выразить как слой графовой нейросети, что даёт семейство Finslerian GNN.

Практические эксперименты показали, что такие сети успешно восстанавливают геометрию, лежащую в основе нелинейных уравнений диффузии. Это открывает путь к более точной обработке облаков точек, где традиционные методы неэффективны.

Работа особенно актуальна для анализа сложных трёхмерных данных, например, в компьютерном зрении, робототехнике или научных симуляциях. Метод может повысить качество сегментации, реконструкции и классификации неструктурированных данных.