SymmetryLens：基于局部性与密度保存的无监督对称学习
机器学习
2025-07-08 v2
摘要
我们发展了一种新的无监督对称学习方法，从原始数据开始，提供底层李群对称性的最小生成器，以及数据的对称等变表示，将隐藏对称性变为显式对称性。该方法能够仅通过约等于平移对称的数据集学习像素平移算子，能够学习出人意料的不同类型的对称性。该方法基于一种信息论损失函数的表述，衡量数据集在候选对称生成器下的对称程度，以及一种提出的样本局部性概念，局部性与对称性相耦合。我们演示了这种对称性与局部性的耦合，以及针对熵估计开发的优化技术，导致一个稳定的系统，提供可重复的结果。
引用
@article{arxiv.2410.05232,
title = {SymmetryLens: Unsupervised Symmetry Learning via Locality and Density Preservation},
author = {Onur Efe and Arkadas Ozakin},
journal= {arXiv preprint arXiv:2410.05232},
year = {2025}
}
备注
37 pages