新框架解决等变神经网络中的对称性增加问题

研究人员开发了一个新框架来解决等变神经网络（ENNs）中对称性增加的问题。这种现象发生在ENNs虽然能够表示几何结构，但其输出对称性超出了输入原始对称性的范围，从而降低了其表达能力。该论文提供了对称性增加的理论表征，证明了基于特征空间结构的对称性增加具有可计算的下确界。文章提出了实用的指导方针和算法来有效减少这种增加，并在合成数据和QM9数据集上进行了实验验证。 AI

影响 提高了等变神经网络在科学领域的表达能力和适用性。

排序理由 学术论文，详细介绍了减少等变神经网络中对称性增加的新理论框架和算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Influence Flower
• QM9
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →