本研究提出了一种新方法，结合未知输入变换和不确定仿射变换，以解决代理模型在迁移到新任务时对大量数据的需求。研究表明，利用少量目标任务数据优化这些变换，迁移学习效果显著优于原始代理模型，尤其在数据稀缺情况下表现突出。

本研究解决了构建高质量代理模型时数据获取需求高的问题，提出了一种基于未知仿射变换将预训练的非可微代理模型（如随机森林）迁移到新任务的方法。研究表明，该方法在人工问题集BBOB及四个实际迁移学习问题上表现出显著的实用优势，尤其在减少数据需求和训练复杂现实场景的计算成本方面。

本文提出了一种新的深度学习目标公式，以提高小训练集下深层网络的泛化能力，并介绍了一种几何感知的深度转换技术，支持鲁棒性分析。研究探讨了生成对抗网络中的模式坍塌问题，提出基于度量空间的方法改进目标函数，并验证了其在真实和合成数据上的有效性。此外，文中介绍了深度度量学习的新方法，强调了神经网络结构对表征的影响，并提出了可解释的几何卷积方法。

本研究提出了一种基于深度学习的新图像聚类方法，能够有效处理聚类中的不变性，并提供聚类中心和分配的解释性。实验结果表明，该方法在图像聚类基准测试中表现优异，前景广阔。

本文介绍了图像的仿射变换，包括旋转、缩放、平移、错切等几种常见的变换方式。通过仿射变换矩阵的乘法和加法运算，可以实现图像的变换。文章还介绍了齐次坐标的概念和使用，以及OpenCV中提供的warpAffine()函数用于实现仿射变换。给出了平移、缩放、旋转和错切的具体代码示例。图像仿射变换是一种常用且有用的图像处理方法，在计算机视觉领域有广泛应用。

本文提出了同态自监督学习框架，统一和概括自监督学习算法，验证了其有效性，并探索了与传统基于增强的自监督学习的参数关系，讨论了其潜在好处。

深度神经网络（DNN）在计算机视觉任务中非常有用，但在不确定性量化方面存在困难。研究人员引入了适应性贝叶斯神经网络（ABNN），可以将DNNs转换为BNNs，并保留其预测性能和不确定性量化能力。ABNN在图像分类和语义分割任务中表现出最先进的性能。

该论文研究了数据流形学习中的二次Wasserstein距离的下界，重点考虑了应用于数据的仿射变换。通过计算协方差矩阵之间的Bures度量，给出了在二维空间中具有不相关分量的随机向量的旋转副本的具体下界。同时推导了由仿射映射组成的上界，产生了多样的微分同胚，应用于初始数据度量。将这些界限应用于各种分布，并展示了界限的质量。最后，提出了一个可以应用于流形学习框架中的模仿手写数字或字母数据集的框架。

该文章提出了一个使用李群和李代数的框架来处理几何变换的不规则群。重点关注李群GL+(n, R)和SL(n, R)以及它们作为仿射变换的表示。通过分解群为子群和子流形来实现不变积分和全局参数化。展示了如何参数化卷积核来构建关于仿射变换等变的模型，并在标准的仿射不变基准分类任务上评估了模型的鲁棒性和越域泛化能力。结果表明该模型优于先前的等变模型和胶囊网络提议。

该文提出了一个使用李群和李代数的框架，用于处理几何变换的不规则群，重点关注李群 GL+(n, R) 和 SL (n, R)。作者展示了如何参数化卷积核来构建关于仿射变换等变的模型，并在标准的仿射不变基准分类任务上评估了模型的鲁棒性和越域泛化能力，结果表明该模型优于所有先前的等变模型以及所有胶囊网络提议。

该研究提出了ReLU层参数对输入域的自然划分，使得在每个划分区域内，ReLU层可以大大简化。研究探讨了具有一个隐藏ReLU层的前馈网络，提供了关于此类网络生成决策边界的几何复杂性的结果，并证明除了仿射变换外，这样的网络只能生成d个不同的决策边界。