Sheaf Neural Networks (SNNs)는 표준 Graph Neural Networks (GNNs)의 스칼라 엣지 가중치(scalar edge weights)를 노드 스택(node stalks) 사이의 학습 가능한 엣지 의존적 제한 사상(edge-dependent restriction maps)으로 대체함으로써 메시지 패싱(message passing)을 일반화합니다. 강력한 이론적 토대와 유망한 전이적(transductive) 결과에도 불구하고, SNN은 거의 독점적으로 전이적 노드 분류(transductive node classification)에서만 평가되어 왔으며, 귀납적(inductive) 프로토콜 하에서의 동작은 알려지지 않은 상태로 남아 있습니다. 우리는 무거운 sheaf Laplacian을 결합하지 않는 메시지 패싱 재정의(message-passing reformulation) 내에서 세 가지 확산 메커니즘(neural sheaf diffusion, sheaf attention, 그리고 Graph Attention Network v2를 결합한 sheaf attention), 세 가지 제한 사상 매개변수화(restriction-map parameterizations), 세 가지 스택 차원(stalk dimensions), 그리고 여섯 가지 현대적 GNN 아키텍처 구성 요소를 평가함으로써, sheaf 설계 공간(design space)에 대한 최초의 체계적인 벤치마크를 통해 이 격차를 해소합니다. 이를 통해 교차 그래프 배칭(cross-graph batching) 하에서도 전체 설계 공간을 학습 가능하게 만들었습니다. 14개의 귀납적 데이터셋에 대해 $1{,}890$개의 통제된 실험을 수행한 결과, 다음과 같은 여러 통찰이 도출되었습니다: 제한 사상은 지배적인 설계 선택이며 일반적인 사상(general maps)이 더 선호됩니다. 더 큰 스택은 용량(capacity)을 추가하지만 장거리 도달 범위(long-range reach)를 확장하지는 않습니다. 아키텍처 구성 요소는 sheaf 특화 설계 공간 전체보다 성능 변동을 더 많이 설명합니다. 일치된 프로토콜 하에서 SNN은 귀납적 설정으로 전이되지만 가장 강력한 베이스라인(baselines)에는 도달하지 못하며, 그 격차는 데이터셋에 따라 달라집니다. 실무적으로는 단일 sheaf 구성이 데이터셋 전반에 걸쳐 일반화될 수 있으므로, sheaf 연산자 자체를 튜닝하는 것보다 주변의 아키텍처 레시피(architectural recipe)를 조정하는 데 노력을 기울이는 것이 더 효율적입니다.