解释等变表示
内容提要
该文综述了无监督深度学习中群不变与等变表示学习的进展，涵盖编码器-解码器框架、等变卷积网络求解逆问题、超网络预测器与3DIEBench数据集、概率对称性生成表示、几何结构嵌入及通用逼近定理，验证了等变约束能提升学习效率与下游性能。
延伸解读
等变约束的实际价值
文章指出，即使强制施加不完全匹配领域对称性的等变约束，也能显著提高机器学习中对真实对称性的学习效率和性能。在具有潜在对称性的领域中，等变模型的表现优于非等变方法。这表明在实际应用中，引入近似对称性先验可能带来收益，而不必追求完全精确的对称性匹配。
方法框架与实验验证
文章提出基于编码器-解码器的通用学习策略，将潜在表示分为不变项和等变群作用项，并针对旋转、平移和置换明确描述了构造。通过在不同网络架构和数据类型上的实验，验证了方法的有效性和鲁棒性。这为无监督学习中融入群论提供了可操作的框架。
工具与数据集支持
文章介绍了基于超网络的预测器，结合不变和等变表示以学习更丰富的表示，并在等变性任务中提升性能。同时发布了3DIEBench数据集，包含55个类别的3D模型渲染超过250万幅图像，提供完全可控的对象变换。这些工具旨在促进更复杂场景下的无监督学习研究。
理论进展与通用逼近
文章将神经网络的普适逼近定理推广到对线性表示群不变或等变的映射，提出了完备的不变/等变网络构造，并通过Hilbert和Weyl定理证明。还提出了适用于SE(2)群的“电荷守恒卷积”模型，证明其是连续SE(2)等变信号变换的通用逼近器。这些理论为等变网络的设计提供了坚实基础。
Q&A
无监督学习中如何实现群不变和等变表示学习？
基于编码器-解码器框架，将潜在表示分为不变项和等变群作用项，通过预测群作用对齐输入输出姿势以解决重建任务，从而学习群不变表示。
等变约束对机器学习性能有什么影响？
即使强制施加不完全匹配领域对称性的等变约束，也能显著提高学习效率和性能；在具有潜在对称性的领域中，等变模型表现优于非等变方法。
群等变卷积神经网络如何用于逆问题重建？
在迭代方法中建立群等变卷积神经网络解决拉伸同变问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。
3DIEBench数据集是什么？有什么特点？
3DIEBench是一个包含来自55个类别的3D模型渲染超过250万幅图像的数据集，提供完全可控的对象变换，用于等变性相关任务的无监督学习。
如何从概率对称性角度理解群不变性？
建立功能性和概率对称性之间的联系，得到不变或等变于紧致群作用下的概率分布的生成功能表示，该表示完全表征神经网络结构，可用于模拟此类分布。
神经网络能否逼近任意连续不变或等变映射？
可以，通过将普适逼近定理推广到线性表示组不变或等变的映射，引入中间多项式层，利用Hilbert和Weyl定理构造完备的不变/等变网络，能够逼近任何连续不变/等变映射。
