摘要

Sheaf神经网络（Sheaf Neural Network, SNN）是一种作用于“层”（sheaf）上的图神经网络（Graph Neural Network, GNN）。“层”是一种在图的节点和边上赋予向量空间，并在这些空间之间定义线性映射的数学结构。研究表明，SNN具有若干有益的理论性质，能够有效应对异质性（heterophily）和过平滑（over-smoothing）等图学习中的关键挑战。然而，这类模型的一个内在难点在于：如何为具体任务选择合适的“层”结构。此前的研究提出了两种截然不同的方法：一种是基于领域知识手动构造层结构；另一种则是采用基于梯度的端到端学习方法自动优化层结构。然而，领域知识往往难以全面覆盖实际问题，而完全通过学习来构建层结构又可能导致过拟合，并带来显著的计算开销。在本工作中，我们受黎曼几何（Riemannian geometry）的启发，提出了一种全新的层计算方法：利用流形假设（manifold assumption），构建兼具流形与图结构感知能力的正交映射，以最优方式对邻近数据点的切空间进行对齐。实验结果表明，该方法在保持优异性能的同时，显著降低了计算开销，相较于以往的SNN模型展现出更优的效率。总体而言，本研究建立起了代数拓扑与微分几何之间的有趣联系，我们期望这一工作能激发未来在该交叉方向上的深入研究。