ترجمه فارسی مقاله تبدیل‌کننده‌ی فضازمان $E(n)$: توجه هم‌وردا برای گراف‌های فضا-زمان

چکیده

We introduce an $E(n)$-equivariant Transformer architecture for spatio-temporal graph data. By imposing rotation, translation, and permutation equivariance inductive biases in both space and time, we show that the Spacetime $E(n)$-Transformer (SET) outperforms purely spatial and temporal models without symmetry-preserving properties. We benchmark SET against said models on the charged $N$-body problem, a simple physical system with complex dynamics. While existing spatio-temporal graph neural networks focus on sequential modeling, we empirically demonstrate that leveraging underlying domain symmetries yields considerable improvements for modeling dynamical systems on graphs.

چکیده به فارسی (ترجمه ماشینی)

ما یک معماری ترانسفورماتور $ E (n) $-Equivariant را برای داده های نمودار فضایی-زمانی معرفی می کنیم.با تحمیل چرخش ، ترجمه و تعصبات القایی یک برابر در هر دو فضا و زمان ، ما نشان می دهیم که فضا $ e (n) $-ترانسفورماتور (SET) از مدل های صرفاً مکانی و زمانی و بدون خصوصیات حفظ تقارن خارج می شود.ما معیار را در مقابل مدل های مذکور در مشکل شارژ $ $ $ ، یک سیستم فیزیکی ساده با پویایی پیچیده قرار داده ایم.در حالی که شبکه های عصبی نمودار مکانی مکانی موجود در مدل سازی پی در پی تمرکز دارند ، ما به صورت تجربی نشان می دهیم که اعمال تقارن دامنه زیربنایی پیشرفت های قابل توجهی را برای مدل سازی سیستم های دینامیکی بر روی نمودارها به همراه دارد.