論文の概要: Benchmarking Sheaf Neural Networks for Inductive Tasks

• arxiv url: http://arxiv.org/abs/2608.02558v1
• Date: Mon, 03 Aug 2026 17:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.393414
• Title: Benchmarking Sheaf Neural Networks for Inductive Tasks
• Title（参考訳）: インダクティブタスクのためのベンチマーク層ニューラルネットワーク
• Abstract要約: シーフネットワーク(SNN)は、標準グラフネットワーク(GNN)のスカラー重みを学習可能なエッジ依存制限ストークに置き換えることで、メッセージパッシングを一般化する。 SNNは帰納的設定に移行するが,最強のベースラインに到達しないことを示す。 実際、単一層の構成はデータセットをまたいで一般化できるため、周囲のアーキテクチャのレシピをチューニングするのにより多くの労力が費やされる。
• 参考スコア（独自算出の注目度）: 14.028547763374425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sheaf Neural Networks (SNNs) generalize message passing by replacing scalar edge weights of standard Graph Neural Networks (GNNs) with learnable, edge-dependent restriction maps between node stalks. Despite their strong theoretical foundations and promising transductive results, SNNs have been evaluated almost exclusively on transductive node classification, leaving their behaviour under inductive protocols unknown. We address this gap through the first systematic benchmark of the sheaf design space, evaluating three diffusion mechanisms (neural sheaf diffusion, sheaf attention, and sheaf attention with Graph Attention Network v2), three restriction-map parameterizations, three stalk dimensions, and six modern GNN architectural components, within a message-passing reformulation that never assembles the heavy sheaf Laplacian, making the full design space trainable under cross-graph batching. Across $1{,}890$ controlled experiments on 14 inductive datasets, multiple insights emerge: restriction maps are the dominant design choice and general maps are preferable, larger stalks add capacity but not long-range reach, architectural components explain more performance variation than the entire sheaf-specific design space itself. Under a matched protocol, SNNs transfer to inductive settings but do not reach the strongest baselines, with gaps being dataset-dependent. Practically, a single sheaf configuration can generalize across datasets, so effort is better spent tuning the surrounding architectural recipe than the sheaf operator itself.
• Abstract（参考訳）: シーフニューラルネットワーク(SNN)は、標準グラフニューラルネットワーク(GNN)のスカラーエッジ重みをノードストーク間の学習可能なエッジ依存制限マップに置き換えることで、メッセージパッシングを一般化する。 強力な理論的基盤と有望なトランスダクティブな結果にもかかわらず、SNNはトランスダクティブなノード分類のみにのみ評価され、それらの振る舞いはインダクティブなプロトコルに残されている。 重層ラプラシアンを決して組み立てないメッセージパス変換において、3つの拡散機構(神経拡散、重層注意、重層注意)、3つの制限マップパラメータ化、3つのストーク次元、および6つの現代的なGNNアーキテクチャ成分)を評価し、全設計空間をクロスグラフバッチで訓練できるようにする。 14の帰納的データセットに対する1,890ドル(約1,800円)のコントロールされた実験は、複数の洞察が浮かび上がっています。 制限マップは設計選択の主流であり、一般的なマップは好まれます。 マッチしたプロトコルの下では、SNNはインダクティブな設定に転送するが、データセット依存のギャップがあるため、最強のベースラインには到達しない。 実際には、単一のシーフ構成がデータセットをまたいで一般化できるので、シーフ演算子自身よりも、周囲のアーキテクチャのレシピをチューニングするのに多くの労力が費やされる。

関連論文リスト

• Differentiable Lifting for Topological Neural Networks [49.208571794040374]
  トポロジカルニューラルネットワーク(TNN)は、グラフ上の高次構造を活用する。 DiffLiftはグラフリフトをハイパーグラフやセル・シンプリケーション・コンプレックスに学習するためのフレームワークである。 当社のアプローチでは、接続性や機能ベースのものを含め、静的リフトよりも最大45%向上しています。
  論文  参考訳（メタデータ） (2026-08-02T11:30:09Z)
• Hierarchical Pooling for Sheaf Neural Networks [20.79323358337401]
  本稿では,局所スペクトル粗大化に基づく階層型せん断プール (HiSP) について紹介する。 HiSPは、クラスタ内層ラプラシアンの低周波固有モードに細かなストーク値の特徴を投影することにより、それぞれの粗いストークを構成する。 提案手法では, 局所モードの破棄による乱れ損失を, 演算子を粗いせん断と表現することで, 粗いせん断によって生じる近似を解析する。
  論文  参考訳（メタデータ） (2026-06-18T20:50:27Z)
• On the Necessity of Learnable Sheaf Laplacians [12.949900291633943]
  SNN(Sheaf Neural Networks)は、グラフ畳み込みネットワークの拡張として導入され、異種グラフのオーバースムーシングに対処した。 我々は,アイデンティティ・シェアード・ネットワークがSNNのネットワークよりも過度に過度に悩まされているようには見えないことを示した。
  論文  参考訳（メタデータ） (2026-03-05T17:24:13Z)
• Sheaves Reloaded: A Directional Awakening [31.634923352992324]
  シェーフニューラルネットワーク(SNN)はグラフニューラルネットワーク(GNN)の強力な一般化を表す エッジオリエンテーションを明示的に考慮した特殊な細胞シーフであるDirected Cellular Sheafを紹介した。 この構造に基づいて、グラフの位相と方向情報の両方をキャプチャする新しい層ラプラシアンを定義する。 このオペレータは、指向バイアスをアーキテクチャに埋め込んだ最初のSNNモデルであるDirected Sheaf Neural Network(DSNN)のバックボーンとして機能する。
  論文  参考訳（メタデータ） (2025-06-03T13:13:56Z)
• Joint Diffusion Processes as an Inductive Bias in Sheaf Neural Networks [14.224234978509026]
  せん断ニューラルネットワーク(SNN)は自然にグラフニューラルネットワーク(GNN)を拡張する 構造図をより直感的に理解するための2つの新しいせん断学習手法を提案する。 評価では,これまでのSNNで使用されている実世界のベンチマークの限界を示す。
  論文  参考訳（メタデータ） (2024-07-30T07:17:46Z)
• Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
  ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。 我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
  論文  参考訳（メタデータ） (2022-10-24T12:05:17Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• The Curious Case of Convex Neural Networks [12.56278477726461]
  完全連結層と畳み込み層の両方に凸性制約を適用可能であることを示す。 a) IOC-NN(Input Output Convex Neural Networks)の自己正規化とオーバーフィッティング(オーバーフィッティング)の問題の低減; (b) 厳しい制約にもかかわらず、ベースマルチレイヤのパーセプトロンを上回り、ベースコンボリューションアーキテクチャと比較して同様のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-06-09T08:16:38Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。