所以，我将简要描述问题的领域，并声明我是神经网络和 keras 的初学者，所以答案对你来说可能是微不足道的。我有一个由以下行组成的数据集：
v0;v1;v2;v3;err
27;45;35;40;9.421857761389568e-17
42;23;4;10;0.15046260426547653
7;52;45;4;0.004021030533106114
8;13;21;8;3.527736174640165e-05
50;40;3;39;0.2594155190453719
..........
..........
我想预测给定变量值的错误。可以想象，这是一个相当简单的回归问题（在我的例子中不是线性的），我用不同的 NN 模型解决了这个问题（我还对数据进行了预处理，首先对变量进行标准化，然后对误差进行标准化）。事实上，我用不同的密集层训练了不同的模型，我发现最好的模型给了我或多或少的 96.5% 的准确率。
假设这是我使用 keras NN 模型可以达到的最佳结果（也许不是，但没关系），我有一个关于我想用来提高准确性的域的附加信息。事实上，误差值在某种程度上还取决于不同v值之间的一些关系。我知道如果v0<v3 and v1<v3 and v3<v2, 误差是可能的最低值，而如果违反其中一些关系，则误差会以某种方式增加。那么，有没有办法让 NN 模型也学习这些关系，如果违规不存在或存在，则错误会随之减少或增加？我在网上阅读了一些论文和一些东西，我发现也许我可以用一个图来表示这些依赖关系，然后在当前的 NN 模型中放置一个 GNN 层（或多个层）来尝试改进最终结果。这只是一个想法，我不知道这是否可行，以及这是否是最好的做法。有任何想法吗？
感谢任何可以帮助我的人，非常感谢！