研究：SNN是否依赖学到的Holonomy

一项发表于 arXiv 的研究用测量—干预—控制方法，检验 Sheaf 神经网络（SNN）是否真正依赖其学到的连接。作者 Ankit Grover 与 Rémi Bourgerie 报告称，在高同配性 GraphUniverse 图上，三角形计数任务将 Neural Sheaf Propagation（NSP）的平均 SO(2) 三角形旋转从 0.010 弧度提升至 0.388 弧度，而社区检测任务仅达 0.029 弧度。 研究提出的问题是：训练是否改变三角形 holonomy、预测是否依赖学到的连接，以及 holonomy 是否驱动三角形计数。上述数值为作者报告的结果，尚待进一步验证。

AI 根据报道生成 · 54 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。