가우시안 층(Gaussian Sheaf) 신경망

그래프 신경망 (Graph Neural Networks, GNNs)은 관계형 데이터 (relational data) 학습을 위한 사실상의 표준 (de facto standard)이 되었습니다. 전통적인 GNN의 메시지 전달 (message passing) 방식은 벡터 값 형태의 노드 특징 (node features)에는 적합하지만, 노드 특징이 실수 벡터보다 확률 분포 (probability distributions)로 더 잘 표현되는 경우가 있습니다. 구체적으로, 노드 특징이 평균 (mean)과 공분산 행렬 (covariance matrix)으로 특징지어지는 가우시안 (Gaussians)인 경우, 이들의 파라미터들을 단순히 하나의 벡터로 결합하여 표준 메시지 전달을 적용하면 평균과 공분산을 지배하는 기하학적 및 대수적 구조 (geometric and algebraic structure)를 무시하게 됩니다. 우리는 이러한 귀납적 편향 (inductive biases)을 그래프 기반 학습에 통합하는 원칙적인 프레임워크인 가우시안 층 신경망 (Gaussian Sheaf Neural Networks, GSNNs)을 제안합니다. 셀룰러 층 (cellular sheaves) 이론을 바탕으로, 우리는 층 라플라시안 (sheaf Laplacian)을 이 설정으로 일반화하고 그 주요 속성을 보존하는 새로운 라플라시안 연산자 (Laplacian operator)를 도출합니다. 우리는 이론적 기여을 보완하기 위해 합성 데이터 (synthetic data) 및 실제 데이터 (real-world data)에 대한 실험을 수행하여 GSNNs의 실질적인 관련성을 입증합니다.