Resistance Curvature Flow: 100‑fach schnellere Graph‑Strukturoptimierung

In der Geometric Representation Learning (GRL) wird versucht, die komplexe Topologie hochdimensionaler Daten durch diskrete Graphen abzubilden. Traditionelle, statische Graphen, die auf euklidischen Abständen basieren, greifen dabei häufig die eigentliche Krümmung des Datenmanifolds nicht ein. Ein bisher leistungsfähiges Verfahren, die Ollivier‑Ricci‑Curvature Flow (OCF), nutzt jedoch die Wasserstein‑Distanz aus dem Optimal Transport, was die Rechenzeit stark erhöht und die Anwendung bei großen Datensätzen erschwert.

Um dieses Engpass zu überwinden, stellt der neue Ansatz Resistance Curvature Flow (RCF) vor. RCF nutzt das Konzept des effektiven Widerstands aus der Schaltungstheorie, um die aufwendige Krümmungsoptimierung in effiziente Matrixoperationen zu verwandeln. Dadurch wird die Laufzeit um mehr als 100‑fach reduziert, während die geometrische Optimierung nahezu unverändert bleibt.

Der Artikel erläutert die theoretischen Grundlagen von RCF und zeigt, wie die Krümmungsgradienten die Kantengewichte neu verteilen, um topologischen Rauschen zu eliminieren und lokale Clusterstrukturen zu stärken. Zudem wird erklärt, wie RCF die Manifold‑Verfeinerung unterstützt, Rauschen unterdrückt und sich nahtlos in Deep‑Learning‑Modelle integrieren lässt.

Auf Basis dieser Erkenntnisse wurde der Optimierungsalgorithmus DGSL‑RCF entwickelt, der die Vorteile von RCF in der Praxis nutzt. Der Ansatz verspricht damit eine effiziente und skalierbare Lösung für die dynamische Graphstrukturierung in modernen Machine‑Learning‑Anwendungen.