Fugu-MT 論文翻訳(概要): Sheaf-MPNN: A Library for Sheaf Neural Networks as Message Passing

論文の概要: Sheaf-MPNN: A Library for Sheaf Neural Networks as Message Passing

arxiv url: http://arxiv.org/abs/2611.04670v1
Date: Tue, 03 Nov 2026 10:55:37 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-04 17:56:49.108216
Title: Sheaf-MPNN: A Library for Sheaf Neural Networks as Message Passing
Title（参考訳）: Sheaf-MPNN: メッセージパッシングとしてのシェーフニューラルネットワークのためのライブラリ
Abstract要約: シーフニューラルネットワーク(SNN)は、各ノードに独自のベクトル空間と学習制限マップを与え、隣同士を移動するときに特徴を変換する。 PyTorch Geometric LibraryであるSheaf-MPNNを導入する。
参考スコア（独自算出の注目度）: 16.652112608553043
License:
Abstract: Standard Graph Neural Networks (GNNs) implicitly assume that neighboring nodes share the same feature space, which contributes to oversmoothing and poor performance on heterophilic graphs. Sheaf Neural Networks (SNNs) remove this assumption by giving each node and edge its own vector space and learning restriction maps that transform features as they move between neighbors. These maps define a sheaf Laplacian that drives diffusion over the graph, but existing implementations often assemble it explicitly as a global sparse block matrix, which adds memory and computational overhead and can hinder scalability. In this paper, we introduce Sheaf-MPNN, a PyTorch Geometric library that reformulates sheaf diffusion as local incidence-wise transport and aggregation, eliminating the need to construct the global Laplacian. Sheaf-MPNN implements fifteen families of SNNs under a unified message-passing framework, each supporting both homogeneous and heterogeneous graphs, and directed and undirected settings, with diagonal, general, orthogonal, and low-rank restriction maps and attention-based predictors. We further provide a unified benchmarking suite covering node- and graph-level tasks, heterogeneous graph learning, and computational efficiency, enabling systematic and reproducible comparisons across architectures. We establish theoretical equivalence between these message-passing formulations and their original counterparts and identify the architectural mechanisms needed to preserve their propagation dynamics. This unified perspective provides a principled foundation for implementing, comparing, and extending sheaf-based architectures within standard graph learning frameworks. Source code is available at https://github.com/alessioborgi/sheaf-mpnn.
Abstract（参考訳）: 標準グラフニューラルネットワーク(GNN)は、近隣ノードが同じ特徴空間を共有していると暗黙的に仮定している。シーフニューラルネットワーク(SNN)は、各ノードとエッジに独自のベクトル空間を与え、隣人の間を移動するときに特徴を変換する学習制限マップを与えることにより、この仮定を除去する。これらのマップはグラフ上の拡散を駆動する層ラプラシアンを定義するが、既存の実装はしばしばこれをグローバルスパースブロック行列として明示的に組み立てる。本稿では,PyTorch Geometric LibraryであるSheaf-MPNNについて紹介する。 Sheaf-MPNNは、統一メッセージパスフレームワークの下で15のSNNのファミリーを実装し、それぞれが均質グラフとヘテロジニアスグラフの両方をサポートし、対角、一般、直交、低ランクの制限マップとアテンションベースの予測器を備える。さらに、ノードレベルおよびグラフレベルのタスク、異種グラフ学習、計算効率を網羅したベンチマークスイートを提供し、アーキテクチャ間の系統的および再現可能な比較を可能にする。これらのメッセージパッシングの定式化と元の定式化の理論的等価性を確立し、それらの伝播ダイナミクスを維持するのに必要なアーキテクチャメカニズムを同定する。この統一された観点は、標準グラフ学習フレームワーク内での層ベースのアーキテクチャの実装、比較、拡張のための原則化された基盤を提供する。ソースコードはhttps://github.com/alessioborgi/sheaf-mpnn.comで公開されている。

関連論文リスト

Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
論文参考訳（メタデータ） (2026-08-17T04:37:59Z)
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)
Sheaf Graph Neural Networks via PAC-Bayes Spectral Optimization [13.021238902084647]
グラフニューラルネットワーク(GNN)のオーバースムース化は、異なるノード機能で崩壊を引き起こす。 SGPC (Sheaf GNNs with PAC-Bayes) は,セルラーシェーフメッセージパッシングと複数のメカニズムを組み合わせた統一アーキテクチャである。 9つのホモ親和性およびヘテロ親和性ベンチマークの実験により、SGPCは最先端スペクトルおよび層ベースGNNよりも優れた性能を示した。
論文参考訳（メタデータ） (2025-08-01T06:39:28Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。 GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文参考訳（メタデータ） (2023-07-01T04:44:43Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
論文参考訳（メタデータ） (2021-12-02T10:35:33Z)
VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文参考訳（メタデータ） (2021-10-27T11:48:50Z)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)

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。