基于局部规范化的等距性：一种表示问题
机器学习
2025-10-01 v1
摘要
等距神经网络为从分子和几何数据学习提供了强大的归纳偏置，但常依赖于专门且计算昂贵的张量运算。我们提出了一种将现有张量场网络转化为更高效的局部规范化范式的框架，在保持等距性的同时显著提升运行时性能。在该框架内，我们系统性地比较了不同的等距表示方式在理论复杂度、实证运行时以及预测准确性方面的表现。我们发布了tensor_frames软件包，这是一个基于PyTorchGeometric的局部规范化实现，使任何标准消息传递神经网络都能轻松集成等距性。
引用
@article{arxiv.2509.26499,
title = {Equivariance by Local Canonicalization: A Matter of Representation},
author = {Gerrit Gerhartz and Peter Lippmann and Fred A. Hamprecht},
journal= {arXiv preprint arXiv:2509.26499},
year = {2025}
}
备注
To be presented at NeurReps Workshop 2025