Directional Sheaf Hypergraph Networks: Unifying Learning on Directed and Undirected Hypergraphs¶

会议: ICLR 2026
arXiv: 2510.04727
代码: GitHub
领域: 其他
关键词: sheaf neural networks, directed hypergraphs, Laplacian, spectral methods, heterophily

一句话总结¶

本文提出 Directional Sheaf Hypergraph Networks (DSHN)，通过将 Cellular Sheaf 理论与有向超图的方向信息结合，构造了一种复值 Hermitian Laplacian 算子，统一并推广了现有的图和超图 Laplacian，在 7 个真实数据集上相对准确率提升 2%–20%。

研究背景与动机¶

超图的高阶交互建模：许多真实系统存在多实体间的高阶关系，传统图只能表达成对关系。超图通过超边连接多个节点来建模多路交互。

无向超图的局限：大多数 HGNN 仅处理无向超图，忽略了超边中可能存在的方向性（化学反应中反应物→产物、因果交互的发起方→接收方）。

Sheaf 理论缓解异质性：通过为节点和边分配向量空间及可学习的 restriction map，能有效缓解过平滑和异质性问题。但已有 Sheaf 超图方法不支持有向超图。

已有 SHN 的谱性质缺陷：Duta et al. (2023) 的 Sheaf Hypergraph Laplacian 不满足正半定性，无法作为合格卷积算子。

有向图方法的成功经验：Magnetic Laplacian 用复数相位编码方向，但未推广到超图。

方法详解¶

整体框架¶

DSHN 的核心是为有向超图重新定义一个合格的谱卷积算子。它先把方向信息以复数相位编码进 sheaf 的 restriction map，由此构造出一个 Hermitian 且正半定的 Directed Sheaf Hypergraph Laplacian，再以该 Laplacian 为基础搭建多项式滤波的扩散卷积网络。整个设计的关键在于让"方向"与"sheaf 的异质性建模"在同一个复值算子里相容，并保证它仍满足谱卷积所需的全部性质。

关键设计¶

1. 方向性矩阵 \(\mathcal{S}^{(q)}\)：用复数相位区分头尾节点

无向超图里节点对超边是对称的，无法表达"谁是反应物、谁是产物"这类方向角色。DSHN 借鉴 Magnetic Laplacian 的思路，为每个节点-超边对赋一个复值系数：头节点取 \(1\)，尾节点取 \(e^{-2\pi i q}\)，由参数 \(q\) 统一控制方向信息的强度。当 \(q=0\) 时所有系数退化为实数 \(1\)，模型回到无向情形；当 \(q=1/4\) 时尾节点系数变为纯虚数 \(e^{-\pi i/2}\)，方向差异被编码进虚部，恰好与有向图上的 Magnetic Laplacian 对齐。这样一个标量参数就把方向性以可控、可退化的方式注入了整套算子，既保留了对无向数据的兼容，又给有向数据提供了相位上的判别能力。

2. Directed Sheaf Hypergraph Laplacian：修正对角项得到合格算子

有了方向编码后，DSHN 把它和 sheaf 的 restriction map 一起组装成 Laplacian \(\mathbf{L}^{\vec{\mathcal{F}}} = \mathbf{D}_V - \mathbf{B}^{(q)\dagger}\mathbf{D}_E^{-1}\mathbf{B}^{(q)}\)，其中 \(\mathbf{B}^{(q)}\) 是带方向相位的关联块矩阵、\(\mathbf{D}_V\) 与 \(\mathbf{D}_E\) 分别为节点和超边的度矩阵。该算子的对角块为实值，承载节点自身信息；非对角块在超边有向时取复值，承载带方向的邻居耦合。值得强调的是，本文专门修正了 Duta et al. (2023) Sheaf Hypergraph Laplacian 中对角项系数的设置——正是那个系数导致其原算子不满足正半定，无法作为合格卷积核。修正之后，\(\mathbf{L}^{\vec{\mathcal{F}}}\) 成为一个 Hermitian 算子，为后续谱性质打下基础。

3. 谱性质保证：让 Fourier 变换与多项式滤波良定义

谱卷积要成立，Laplacian 必须可对角化、特征值实且非负、整体正半定，并有有界谱。DSHN 证明 \(\mathbf{L}^{\vec{\mathcal{F}}}\) 满足全部这些条件：因为它 Hermitian 所以可酉对角化、特征值为实数；通过把二次型写成 Dirichlet 能量并证其非负，得到正半定与非负特征值；进一步给出谱上界为 \(1\)。这组性质确保了图 Fourier 变换有良好定义、多项式滤波器在谱域稳定，从而 DSHN 的扩散卷积可以安全地堆叠多层而不发散。

4. 统一泛化：一个框架退化出多种已有 Laplacian

DSHN 的另一价值在于它的普适性。论文证明，在恰当取特殊参数时，\(\mathbf{L}^{\vec{\mathcal{F}}}\) 可退化为多种已有算子：取平凡 sheaf 退化为标准超图 Laplacian，限制为图结构时退化为 Graph Sheaf Laplacian，去掉 sheaf 而保留方向相位时退化为 Magnetic Laplacian，此外还涵盖 Zhou 超图 Laplacian、GeDi Laplacian 等。这说明它不是又一个孤立定义，而是把"方向 / sheaf / 超图"三个维度的已有工作统一在同一个复值 Hermitian 算子之下。

5. DSHNLight：detach 梯度换取可扩展性

完整 DSHN 中 restriction map 需要随训练学习，每步都要重建 Laplacian，开销不小。DSHNLight 把 Laplacian 构建过程的梯度 detach、固定 restriction map 参数（相当于一次随机投影），只训练后续卷积与分类部分。这样大幅降低了计算成本，而实验上它在多个数据集上的性能与完整版相当、个别情况甚至更好，呼应了极限学习机里"随机特征也能很有效"的观察。

损失函数 / 训练策略¶

训练用标准交叉熵节点分类损失。restriction map 由一个 MLP 学习，输入是节点特征与超边特征的拼接。由于 Laplacian 与中间表示为复值，最终送入分类头前会先做 unwind，即把实部和虚部拼接还原成实向量，再接全连接层输出类别。

实验关键数据¶

主实验¶

7 个数据集上对比 13 个 baseline 的节点分类准确率：

数据集	DSHN 相对最佳 baseline 提升
Cora (co-auth)	~2%
Citeseer (co-auth)	~5%
Senate-committees	~8%
House-committees	~4%
Walmart-trips	~20%
Zoo	~3%
20Newsgroups	~2%

消融实验¶

变体	效果
\(q=0\)（无方向）	退化为无向 sheaf 方法，性能下降
\(q=1/4\)（标准相位）	有向数据上表现最佳
Trivial sheaf (\(\mathcal{F}=I\))	退化为有向超图 Laplacian，性能大幅下降
DSHNLight	计算效率高，多数数据集性能接近

关键发现¶

方向性 + Sheaf 联合使用效果显著优于单独使用任一
Duta et al. (2023) 的 Laplacian 确实存在负特征值（附录给出反例）
DSHNLight 的"随机投影"策略出乎意料地有效
在异质性数据集上优势最为明显

亮点与洞察¶

一个复值 Hermitian 算子统一了多种已有 Laplacian 定义
严格纠正了 Duta et al. (2023) 的谱性质错误
方向信息用复数相位编码的思路从有向图自然推广到超图
DSHNLight 与极限学习机思想呼应，说明随机特征在图学习中有效

局限与展望¶

\(nd \times nd\) Laplacian 的可扩展性问题
\(q\) 作为全局参数，未能为每条超边学习不同 \(q\)
实验仅覆盖节点分类
有向超图真实数据集稀缺
缺少 WL 层级等表达能力分析

评分¶

新颖性: ⭐⭐⭐⭐ Sheaf + 有向超图的结合和统一性结果有重要理论价值
实验充分度: ⭐⭐⭐⭐ 7 个数据集、13 个 baseline、完整消融
写作质量: ⭐⭐⭐⭐ 数学推导清晰，符号系统较重但定义精确
价值: ⭐⭐⭐⭐ 修正了已有方法缺陷并提供统一框架