Sheaf Neural Networks
PulseAugur coverage of Sheaf Neural Networks — every cluster mentioning Sheaf Neural Networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
研究探讨 Sheaf 神经网络的几何计算驱动因素
一项新发表在 arXiv 上的研究，调查了 Sheaf 神经网络 (SNNs) 的内部机制，以确定其几何特性，特别是旋转，是否驱动了预测。研究人员引入了一种新颖的方法来度量训练后的三角形循环乘积，区分了旋转、茎空间面积和方向。研究结果表明，虽然神经网络叶片传播 (NSP) 显著增加了三角形计数任务的旋转，但图摘要预测器和对角线图等其他方法也显示出潜力，这表明完整的学习连接对训练后性能敏感但并非唯一负责。
-
新框架通过更丰富的对称性统一图和层神经网络
研究人员引入了顺序等变神经网络（OENNs），这是一个利用更丰富的对称性结构统一图和层神经网络的新颖框架。该方法概括了现有方法，并引入了新的理论结果，包括线性顺序等变映射的表征以及连续顺序等变映射的通用逼近定理，这些定理此前对于层神经网络是未知的。该框架在图和层模型上进行了演示，将图神经网络已知的通用逼近定理扩展到一个更通用的设置。
-
Polynomial Neural Sheaf Diffusion 增强图神经网络性能
研究人员开发了 Polynomial Neural Sheaf Diffusion (PolyNSD)，一种新颖的层扩散方法，可提高性能和效率。PolyNSD 在归一化的层拉普拉斯算子上使用多项式算子，在单层内实现显式的 K-hop 感知域，并将性能与茎维度解耦。该方法在同质和异质基准测试中均取得了最先进的结果，同时降低了运行时间和内存需求。