English(EN) On Making $\mathrm{SE}(2)$-Invariant Networks Optimal

新的SE(2)-不变网络为神经网络架构提供最优效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种将已知数据对称性集成到神经网络架构中的新方法，特别关注SE(2)不变性，它同时考虑了平移和旋转。该方法使用可证明的最优不变特征图，这些特征图是最小且保留信息的，可以无缝集成到现有模型中，而不会改变非线性或归一化层。实验表明，这种用于卷积神经网络的即插即用模块与当前最先进的等变方法相比，在计算成本较低的情况下实现了具有竞争力的准确性，同时还为模型鲁棒性和灵活性提供了关于等变性和不变性之间相互作用的见解。 AI

影响通过结合旋转和平移对称性，增强了神经网络的效率和表达能力，有可能降低复杂任务的计算成本。

排序理由该集群包含一篇关于神经网络架构新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇关于神经网络架构新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Tomas Karella, Emily Shinkle, Alice Elisabeth Anastasia Allen, Pieter J. Swart, Nicholas Lubbers, Roxana Bujack · 2026-10-15 04:00

关于构建 $\mathrm{SE}(2)$-不变网络的最佳方法

arXiv:2610.17424v1 Announce Type: cross Abstract: Respecting a-priori known symmetries of underlying data is a key principle in designing efficient neural architectures. Convolutional neural networks are a canonical example, encoding translation equivariance. Extending this induc…

本文如何被排名

报道来源 [1]

关于构建 $\mathrm{SE}(2)$-不变网络的最佳方法

相关实体

相关话题