equivariant-networks

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。