新上线今天0 投票
等变层神经网：在图上学习几何传输的新方法
等变图神经网络（Equivariant GNN）为建模几何系统提供了 principled 的方法，但高效的一阶架构在向量信息沿图传输时的变换方式上存在局限。为此，研究人员提出 ESNN（Equivariant Sheaf Neural Network），通过学习相邻向量特征之间的有向矩阵值传输，同时保持精确的欧几里得等变性，为几何深度学习开辟了新路径。
核心思想：将灵活性放在边传输上
传统方法通常通过增加表示阶数（如高阶张量）来提升表达能力，而 ESNN 保持标量和向量特征为一阶，将额外的几何灵活性置于边传输本身。这种设计使得模型能够在不需要高阶表示的情况下，实现更具表现力的等变消息传递。
理论贡献：分解与方向对称性松弛
论文从理论上刻画了等变传输的性质。当相对位移是唯一的协变几何输入时，任何线性 $O(n)$-等变映射都可以分解为独立的径向和切向分量；而学习到的协变特征则能实现更丰富的、依赖于特征的变换。此外，对于具有优先环境方向的系统，论文引入了受控对称性松弛，该方向可由预设或从数据中推断，当方向路径不活跃时，模型可恢复完全的 $E(n)$-等变性。
实验验证：多领域性能提升
研究者在粒子动力学、网格模拟、点云分类和分子性质预测等多个任务上评估了 ESNN。结果显示，ESNN 在动力学预测上表现更优，在对称性破缺时能恢复重力轴，在特定网格任务和长时程推演中取得显著提升，并且对未见过的旋转保持鲁棒性。
意义与展望
这项工作表明，学习几何信息在边上的传输方式是提升等变消息传递表达能力的一种互补途径，无需依赖高阶表示。这一思路有望为物理模拟、分子建模等领域带来更高效且可扩展的模型。未来，如何将 ESNN 与更复杂的几何结构结合，以及在实际大规模系统中的应用，值得进一步探索。