用于鲁棒星系形态分类的 E(2) 等变神经网络

我们提出利用对二维欧几里得群 $E(2)$ 等变的群卷积神经网络架构（GCNNs），将星系图像中数据的对称性作为架构中的归纳偏置，用于星系形态分类任务。我们通过引入泊松噪声注入和单像素对抗攻击的人工扰动进行鲁棒性研究，以模拟有限观测能力的影响。我们在 Galaxy10 DECals 数据集上训练、验证和测试对 $E(2)$ 离散子群——$N$ 阶循环群与二面体群——等变的 GCNNs，发现 GCNNs 取得更高的分类精度且始终比非等变对应模型更鲁棒，其中对群 $D_{16}$ 等变的架构取得了 $95.52 \pm 0.18\%$ 的测试集精度。我们还发现模型在 $50\%$ 噪声数据集上精度损失 $<6\%$，且所有 GCNNs 都比结构相同的 CNN 更不易受单像素扰动影响。我们的代码公开于 https://github.com/snehjp2/GCNNMorphology。