ترجمه فارسی مقاله فرآیندهای انتشار مشترک به عنوان یک بایاس القایی در شبکه‌های عصبی شف

چکیده

Sheaf Neural Networks (SNNs) naturally extend Graph Neural Networks (GNNs) by endowing a cellular sheaf over the graph, equipping nodes and edges with vector spaces and defining linear mappings between them. While the attached geometric structure has proven to be useful in analyzing heterophily and oversmoothing, so far the methods by which the sheaf is computed do not always guarantee a good performance in such settings. In this work, drawing inspiration from opinion dynamics concepts, we propose two novel sheaf learning approaches that (i) provide a more intuitive understanding of the involved structure maps, (ii) introduce a useful inductive bias for heterophily and oversmoothing, and (iii) infer the sheaf in a way that does not scale with the number of features, thus using fewer learnable parameters than existing methods. In our evaluation, we show the limitations of the real-world benchmarks used so far on SNNs, and design a new synthetic task — leveraging the symmetries of n-dimensional ellipsoids — that enables us to better assess the strengths and weaknesses of sheaf-based models. Our extensive experimentation on these novel datasets reveals valuable insights into the scenarios and contexts where SNNs in general — and our proposed approaches in particular — can be beneficial.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی Sheaf (SNN) به طور طبیعی شبکه های عصبی نمودار (GNN) را با وقف یک پوسته سلولی بر روی نمودار ، تجهیز گره ها و لبه ها به فضاهای بردار و تعریف نقشه های خطی بین آنها گسترش می دهند.در حالی که ساختار هندسی پیوست شده ثابت شده است که در تجزیه و تحلیل هتروفیل و oversmoothing مفید است ، تاکنون روشهایی که توسط آن صورت محاسبه می شود ، همیشه عملکرد خوبی را در چنین تنظیماتی تضمین نمی کند.در این کار ، با الهام از مفاهیم پویایی نظر ، ما دو رویکرد جدید یادگیری قفسه را پیشنهاد می کنیم که (i) درک بصری تر از نقشه های ساختار درگیر را ارائه می دهد ، (ب) یک تعصب القایی مفید را برای هتروفیل و overmoothing و (iii) معرفی می کند.استنباط را به گونه ای استنباط کنید که با تعداد ویژگی ها مقیاس نمی یابد ، بنابراین از پارامترهای قابل یادگیری کمتر از روشهای موجود استفاده می کنید.در ارزیابی ما ، ما محدودیت های معیارهای دنیای واقعی را که تاکنون در SNN ها استفاده شده است ، نشان می دهیم و یک کار مصنوعی جدید را طراحی می کنیم-اعمال تقارن بیضوی های بعدی N-که ما را قادر می سازد تا نقاط قوت و ضعف پوسته را بهتر ارزیابی کنیممدل های مبتنی برآزمایش گسترده ما در این مجموعه داده های جدید ، بینش ارزشمندی در مورد سناریوها و زمینه هایی را نشان می دهد که SNN ها به طور کلی – و رویکردهای پیشنهادی ما به ویژه – می توانند مفید باشند.