一篇新发表在arXiv上的论文详细介绍了一种减少等变神经网络（ENNs）中对称性增加的方法。ENNs对于几何结构非常强大，但由于对称性增加，在使用对称输入时可能会失去表现力。该研究提供了一个理论框架和一个可计算的算法，用于推导这种增加的对称性的下确界，为缓解该问题提供了特征设计的实用指南。在合成数据和QM9数据集上的实验验证了所提出的方法。 AI
影响 为科学应用中的等变神经网络提供了理论框架和实用指南，以增强其表现力。
排序理由 一篇发表在arXiv上的学术论文，详细介绍了一种改进神经网络性能的新方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.12010v1 Announce Type: new Abstract: Equivariant Neural Networks (ENNs) have empowered numerous applications in scientific fields. Despite their remarkable capacity for representing geometric structures, ENNs suffer from degraded expressivity when processing symmetric …
Equivariant Neural Networks (ENNs) have empowered numerous applications in scientific fields. Despite their remarkable capacity for representing geometric structures, ENNs suffer from degraded expressivity when processing symmetric inputs: the output representations are invariant…