Equivariante schoof-neurale netwerken: geometrisch transport leren op grafen

arXiv:2608.28853v1 Aankondigingstype: nieuw Samenvatting: Equivariante graaf-neurale netwerken bieden een principiële manier om geometrische systemen te modelleren, maar efficiënte eerste-orde-architecturen blijven beperkt in hoe vectorinformatie kan worden getransformeerd terwijl deze zich over een graaf verplaatst. We introduceren \textsc{ESNN}, een Equivariant Sheaf Neural Network dat deze interactie verrijkt door gericht, matrixwaardig transport tussen naburige vectorfeatures te leren, terwijl exacte Euclidische equivariantie behouden blijft. In plaats van i