标签
该论文揭示了三维点云掩码自编码与 SE(3) 等变网络之间的理论不相容性，证明标准掩码会引发拓扑坍缩，并提出了 SIEVE——一种等变自监督框架，通过球面投影掩码在保留全局位姿的同时模糊局部语义，从而提升下游任务对未见过的形状类别的泛化能力。
ASPIRE 是一个通过等变集合预测器 Ev-Quiformer 预测原子环境的多个鞍点候选、再用 Dimer 搜索进行物理精修的框架，用于加速辐照材料中的扩散与缺陷演化事件发现，在 BccFe 四空位基准上以约一半的力评估开销达到 77.20% 的参考事件覆盖率，并发布了两个新数据集。
本文介绍了一种将层上同调与E(3)-等变神经网络相结合的框架，用于预测分子哈密顿量，提出了等变细胞层网络，该网络推广了现有方法并提供了拓扑洞察。
这项受控研究将几何代数（Cl(3,0)）层与针对SO(3)-等变向量学习的最小标量化基线进行了比较，发现几何代数在单阶段任务中没有带来任何好处，但在低数据场景下对于深度组合的群操作显著优于标量化。
本文指出，从神经网络权重中可见的几何对称性取决于位置编码和读出可观测量，并通过在多个对称群下训练二维符号距离函数的MLP进行了验证。
本文提出了等变Poincaré ResNets，将双曲几何与离散对称群相结合，通过将旋转特征视为对称而非不同的分层概念，提高了学习视觉表示的效率。