一种学习可转向CNN中等变程度的概率方法
机器学习
2025-05-09 v3
摘要
可转向卷积神经网络(SCNNs)通过对权重施加等变约束来建模几何对称性，从而提升任务性能。然而，未知或变化的对称性可能导致权重过度约束，进而降低性能。为解决此问题，本文引入了一种概率方法来学习SCNNs中的等变程度。我们利用傅里叶系数将等变程度参数化为变换群上的似然分布，并提供了建模逐层和共享等变性的选项。对这些似然分布进行正则化，以确保网络中的等变程度具有可解释性。其优势包括：通过SCNNs的灵活框架可适用于多种类型的等变网络，并且无需额外层即可学习任何紧致群的任意子群的等变性。我们的实验表明，在具有混合对称性的数据集上，该方法具有竞争力的性能，且学习到的似然分布能够代表底层的等变程度。
引用
@article{arxiv.2406.03946,
title = {A Probabilistic Approach to Learning the Degree of Equivariance in Steerable CNNs},
author = {Lars Veefkind and Gabriele Cesa},
journal= {arXiv preprint arXiv:2406.03946},
year = {2025}
}
备注
9 pages, published at ICML 2024 as main conference paper