从零开始的对称性：作为监督学习任务的群等变性
机器学习
2024-10-08 v1
摘要
在具有对称性的数据集中，为保持与对称性破坏的向后兼容性，传统方法是放宽等变架构约束，通过工程化额外的权重来区分感兴趣的对称性/不对称性。然而，随着模型向特定对称性/不对称性的硬编码化，工程化过程变得日益复杂。本文引入对称性克隆（symmetry-cloning）方法，以在机器学习模型中诱导等变性。我们表明，通用机器学习架构（如 MLP）可将对称性直接作为监督学习任务从群等变架构中学习，并在下游任务中保留或破坏所学习的对称性。这种简单表述使具有群无关型架构的机器学习模型能够捕获群等变架构所具有的归纳偏差。
引用
@article{arxiv.2410.03989,
title = {Symmetry From Scratch: Group Equivariance as a Supervised Learning Task},
author = {Haozhe Huang and Leo Kaixuan Cheng and Kaiwen Chen and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:2410.03989},
year = {2024}
}