本研究提出了seq-JEPA模型，旨在解决自监督算法在视觉表征学习中的局限性，特别是二视图范式下的不变性与不等变性之间的权衡。该模型能够同时学习这两种表示，显著提升图像分类等任务的性能。

多核处理器芯片由多个单线程核心组成，每个核心有自己的私有数据缓存，最后级缓存（LLC）由所有核心共享。缓存一致性协议分为一致性无关和一致性导向两类，前者确保写操作在返回前对所有核心可见，后者允许写操作异步传播。维护一致性需定义多个不变性，如单写多读不变性和数据值不变性，缓存一致性在所有存储结构中相关，包括L1、L2缓存和主内存。

本研究提出了一种新算法“显著性不变性持续政策学习”（SCPL），旨在提升视觉强化学习中代理在未见场景的泛化能力。该算法通过价值一致性模块和动态模块，显著提高了在多项基准测试中的表现，尤其在复杂环境中效果显著。

本研究解决了大型语言模型在自然语言处理中的长度外推能力不足的问题。通过引入基于信息熵不变性的创新方法，提出了两种新的缩放温度：InfoScale和CosScale，显著提升了长度外推性能并达到了最新的研究水平。实验结果显示，该方法在GAU-α模型上实现了超越七种现有方法的表现，有助于改善长范围上下文处理中的注意力得分稀释问题。

本研究提出派生熵率，解决小语料库中语法结构多样性估计的问题，揭示发话平均长度与语法复杂性之间的关系，对自然语言处理和人类语言处理具有重要意义。

本研究探讨了在智能系统和网络应用中将不变性整合到数据表示中的重要性。通过回顾不变性在数据表示中的历史和发展，本文强调了这一原则在深度学习重新思考背景下的重要性，并指出了当前研究中的挑战和未来发展方向。

本文解决了图神经网络（GNNs）中两个基本挑战：缺乏不变性学习的理论支持以及缺乏统一模型在同质和异质图数据集中的优异表现。通过建立和证明图的尺度不变性，提出了ScaleNet这一统一网络架构，在多个基准数据集上取得了最先进的性能，并强调其在图学习中的理论和实践意义。

本研究提出特征空间语义不变性(FSI)框架，以解决开放集领域泛化中的未知类别样本检测问题。实验结果表明，该方法在ColoredMNIST数据集上的AUROC提升了9.1%至18.9%。

本研究提出了一种基于贝叶斯的方法，解决了矩阵去噪中的信号非旋转不变问题，发现了去噪与因子化之间的转变，并利用信号的先验信息实现了更好的去噪效果。

等变神经网络在对称域上表现出色，但常用的激活函数如ReLU无法实现等变性。本文提出定理，描述实现完全等变层的所有可能的有限维表示、坐标选择和激活组合。我们证明旋转等变网络只能是不变的，并探讨其在等变网络中的应用。研究还表征了置换等变网络，揭示了未明性能的模型，并指出卷积神经网络的特征空间是平凡表示。

研究分析了线性全连接神经网络在置换群作用下的等变和不变函数。文章探讨了这些函数的维数、度数、欧氏距离和奇点。对任意置换群的不变性和循环群的等变性进行了全面表征，并提出了等变和不变线性网络的设计方法，如权重共享。证明所有不变的线性函数可以通过线性自编码器学习。

本研究通过识别数据的对称性来统一多种因果表示学习方法，提高因果变量的辨识性，并在实际生态数据中改善了治疗效果估计。研究结果为因果变量的发现提供了新的思路，强调了因果假设的重要性。

本研究提出了STIC方法，解决了时间序列数据中因果发现的挑战。该方法利用短期不变性和卷积神经网络提高样本效率，并在合成数据和FMRI基准数据集上显示出优于现有方法的显著性能。

本研究提出了StreamiNNC策略，利用卷积神经网络的平移不变性特性来优化计算效率。通过信号填充和池化对齐的方法，实现了处理重叠窗口的在线流式推断，并在仿真数据和生物医学信号处理应用中验证了其性能。

本文介绍了一种自动检测预先训练的视觉分类器中分类错误的技术，通过分析分类器在各种转换下的不变性来建立分类器决策的置信度的度量。在多个数据集和分类器的实验中，展示了错误检测任务的新的最先进结果。同时，该技术也应用于新颖性检测场景，并展示了最先进的结果。

通过系统调查了解表示不变性对于迁移学习的重要性以及在预训练过程中与其他参数的相互作用，结果表明，学习具有较高迁移性能的表示时，与适当转换的不变性与其他因素（如训练样本数量、模型架构和预训练类别的身份）相当重要甚至更重要，还揭示了在某些条件下不变性可能会损害转移表示的能力，并探讨了不同任务之间不变性的可转移性。

我们提供了一种无监督学习方法，有效地从原始观测中学习并将其潜在空间分解为内容和风格表示。与大多数依赖于特定领域标签和知识的分解算法不同，我们的方法基于内容和风格之间的领域通用统计差异的见解 - 内容在样本内的不同片段之间变化更大，但单词表在数据样本之间保持不变性，而风格在样本内保持相对不变性，但在不同样本之间表现出更大的变化。我们将这种归纳偏差与一个编码器 -...