SE(3)-equivariant Graph Neural Networks (GNNs)의 제한된 비선형성과 불완전한 군 표현으로 인한 표현력 저하 문제를 해결하기 위해, 푸리에 변환 후 군 표현의 공간 영역 내에서 Transformer 구조를 활용하는 새로운 프레임워크인 Equivariant Spherical Transformer (EST)를 제안한다. EST는 텐서 곱의 함수 공간을 포함하면서 우수한 표현력을 달성함을 이론적 및 실험적으로 증명하고, 푸리에 변환을 위한 균일 샘플링 전략을 통해 equivariant inductive bias를 보장한다. OC20 및 QM9을 포함한 다양한 분자 벤치마크에서 최첨단 성능을 달성함을 실험적으로 보여준다.
시사점, 한계점
•
시사점:
◦
텐서 곱 기반 합성곱의 한계를 극복하는 새로운 SE(3)-equivariant GNN 프레임워크 제시