sheaf Laplacian
PulseAugur coverage of sheaf Laplacian — every cluster mentioning sheaf Laplacian across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
面向几何图的新型Clifford Sheaf神经网络架构介绍
研究人员介绍了一种新颖的Clifford Sheaf神经网络（CSNN）架构，该架构专为几何图设计。该网络将Clifford代数融入细胞束的每个茎中，从而能够跨边传输多向量特征。CSNN使用“K项三明治”机制进行限制映射，该机制允许进行等级混合，并通过构造确保了束拉普拉斯算子是半正定的。这种方法比传统的向量共轭等方法具有更高的表达能力，特别适用于图级等变回归任务。
-
新判据解决Sheaf神经网络中的过平滑问题
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。
-
束神经网络归纳任务基准测试结果喜忧参半
研究人员对束神经网络（SNNs）在归纳任务上的表现进行了全面的基准测试，这与它们通常在转导节点分类上的评估不同。该研究探索了各种扩散机制、限制映射参数化、茎维度和GNN架构组件。研究结果表明，限制映射是最关键的设计选择，其中通用映射被证明是更优的。虽然SNNs可以泛化到归纳设置，但它们并不总是能胜过强大的基线模型，性能差距因数据集而异。研究表明，优化周围的架构组件比微调束算子本身更具影响力。