Neue State‑Space‑Modelle revolutionieren Lernaufgaben auf gerichteten Graphen
In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein bahnbrechender Ansatz vorgestellt, der State‑Space‑Modelle (SSMs) erstmals auf gerichtete Graphen überträgt. Während herkömmliche Graph‑Neural‑Netzwerke und Graph‑Transformers zwar bereits Fortschritte erzielt haben, stoßen sie bei der Erfassung langfristiger kausaler Abhängigkeiten und bei der Skalierbarkeit auf große Datensätze häufig an ihre Grenzen.
