RECON：基于显式标准化共轭定向寻找鲁棒对称性
机器学习
2026-05-11 v5 计算机视觉与模式识别
摘要
现实世界的数据常常存在未知的、特定于实例的对称性，这些对称性几乎不可能精确匹配预先固定的变换群 。类别-姿态分解旨在通过分解输入来创建解耦表示，将输入分解为不变特征和一个相对于训练依赖的、任意标准表示定义的姿态 。我们引入 RECON，一种对类别-姿态无关的标准化共轭定向方法，通过简单的右平移来纠正任意的标准化，从而实现自然、与数据对齐的标准化。这使我们能够实现 (i) 无监督发现特定于实例的姿态分布，(ii) 检测离群姿态，以及 (iii) 一个即插即用的数据标准化层。该层可以附加在任何预训练模型的顶部，以纠正模型的不变性，从而在不重新训练的情况下提高其性能。我们在图像和分子集合上进行验证，展示了准确的对称性发现，以及在下游分类任务中匹配或超越其他标准化方法的性能。
引用
@article{arxiv.2505.13289,
title = {RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization},
author = {Alonso Urbano and David W. Romero and Max Zimmer and Sebastian Pokutta},
journal= {arXiv preprint arXiv:2505.13289},
year = {2026}
}
备注
Accepted as a conference paper at ICLR 2026