研究人员开发了一种新的指标理论判据来解决Sheaf神经网络（SNNs）中的过平滑问题。虽然以前的方法使用谐波空间（$\ker\mathcal{L}$）的维度作为抗过平滑能力的指标，但这种新方法提供了更精确、相对和几何的表征。该判据有助于区分真正的抗过平滑能力和仅仅是谐波空间维度的膨胀。通过对包括新型GyroSheaf在内的十个模型的实验验证了该判据，结果表明符合要求的模型保持了稳定的表示，而不符合要求的模型则会崩溃。 AI
影响 为分析和改进Sheaf神经网络的性能引入了更强大的理论框架，有可能带来更稳定、更深层的模型。
排序理由 该集群包含一篇详细介绍特定类型神经网络新理论判据的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.16180v1 Announce Type: new Abstract: To combat oversmoothing in Graph Convolutional Networks, Sheaf Neural Networks (SNNs) were proposed as a generalization by equipping the graph with a sheaf structure and replacing the graph Laplacian with a sheaf Laplacian $\mathcal…
To combat oversmoothing in Graph Convolutional Networks, Sheaf Neural Networks (SNNs) were proposed as a generalization by equipping the graph with a sheaf structure and replacing the graph Laplacian with a sheaf Laplacian $\mathcal{L}$. Existing analyses connect sheaf diffusion …