Marco Pacini

Equivariant Neural Networks：分离能力与通用性探索

两篇新研究论文探讨了Equivariant Neural Networks 的分离能力和通用性。第一篇论文表征了此类模型无法区分的输入，并分析了激活函数和深度等超参数如何影响其表达能力。研究发现，非多项式激活在表达能力上是等效的，并且深度在一定程度上可以提高分离能力。第二篇论文为Invariant Networks 建立了通用性定理，并为Equivariant Networks 引入了“逐项可分性”，证明了深度和读出层对于实现通用性至关重要。