本研究解决了隐式神经表示（INRs）在训练数据有限的情况下生成多样化权重的难题。我们提出的EquiGen框架通过将功能相似的网络转化为彼此形成的等变组，在有限数据下实现了有效的多样化生成，实验结果表明该方法能够在少样本情况下保持功能特性。

本研究评估了旋转等变性U-Net在图像分割任务中的表现，探讨其对性能和可持续性的影响，并与标准U-Net架构进行了比较，揭示了其在更广泛应用中的潜在优势。

本研究解决了非酒精性脂肪肝病（NAFLD）诊断和分级面临的挑战，特别是在非特异性症状和肝活检的侵入性问题上。我们提出了一种新型人工智能级联模型，结合集成学习和特征融合技术，开发出一种非侵入性且可靠的诊断工具，实现了对NAFLD进展的早期检测。从而提高了对脂肪变性的分级准确率，14大幅提升了患者的早期诊断和干预能力，减轻了与进展性肝病相关的医疗负担。

本研究解决了ViT模型在3D空间关系理解中的不足，通过系统评估其学习3D等变特征的能力。我们提出了一种基于3D对应关系的有效微调策略，显著提高了现有视觉模型在3D对应理解上的表现，甚至仅通过对单个物体进行一次迭代微调就能获得显著的性能提升。

本研究解决了不同设计选择（如权重共享、等变性和局部滤波器）对神经网络样本效率的影响不明确的问题。通过统计学习理论，研究提供了对单隐藏层网络样本复杂度的界定，发现等变性的益处直接体现在界限中，并为一种池化操作的等变网络获得了无维数的界限。结果表明，样本复杂度在空间和频率域中过滤器参数化之间存在权衡。

本研究探讨了神经网络架构是否应根据问题的结构和对称性进行设计。结果显示，等变模型在数据效率上优于非等变模型，且经过充分训练后，非等变模型可通过数据增强缩小差距。等变模型在每个计算预算下表现更佳，最佳预算分配存在差异。

本研究解决了从欠采样加速测量中重建动态MRI图像序列的问题。我们提出了一种无监督的框架，通过利用MRI的自然几何时空等变性来进行重建，显著优于现有的无监督方法，尤其是在高度加速的动态心脏成像中。这一方法由于独立于神经网络架构，具有广泛的适用性和潜在的影响。

研究显示，对称检测可以提升机器学习性能。本文提出了一种框架，能够发现超越仿射变换的数据连续对称性，并提供了离散对称性的框架。实验表明，该方法在大样本下有效，小样本下优于LieGAN，且通常更高效。

本文探讨自然界对称模式在物理和化学中的应用，尤其是多智能体强化学习中的欧几里得对称性。通过形式化马尔科夫博弈的对称性，设计了对称约束的神经网络架构，提升了多智能体演员-评论家方法的性能。该方法在基准测试中表现出色，并展示了零样本学习和迁移学习的能力。

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。

我们提出了一种自我监督的机器学习框架OCT-SelfNet，用于眼部疾病检测。通过多个机构的数据集和两阶段训练方法，我们的方法在测试中获得了超过77%的AUC-ROC性能，相比基线模型提升了至少10%。

本研究旨在解决现有等变卷积神经网络在动态磁共振成像中未能充分利用旋转对称性的问题。提出了一种新颖的时空旋转等变卷积神经网络框架（SRE-CNN），通过设计高精度滤波器和构建时序等变卷积模块，充分利用动态MR图像的旋转对称性。实验结果表明，该方法在高达20倍欠采样的动态心脏影像重建中表现优越。

为了确保自主驾驶平台的安全行驶，研究人员构建了一个多类别的3D LiDAR数据集，并开发了强大的3D半监督目标检测器。实验结果表明，该方法优于现有的最先进的3D半监督目标检测方法。他们计划在不久的将来发布数据集和源代码。

本文介绍了一种自动检测对称性水平的方法，并通过学习对称性的分布生成伪标签，从而在无监督学习中学习每个输入的对称性水平。该方法在合成数据集上验证了其在生成无对称性数据集和检测推理期间的非同分布对称性方面的实际应用。该方法能提高非等变模型的泛化性和鲁棒性。

该研究提出了一种新的语义分割模型，通过引入等变卷积和等变转置卷积，实现了对组别特征图的变换与上采样，提高了样本效率和鲁棒性。该模型在癌症转移组织病理图像的旋转等变分割任务上表现出高效性。

这篇论文介绍了一种概率方法，用于学习可望属性网络中等变性的程度，通过将等变性的程度参数化为傅里叶系数上的概率分布，以建模几何对称性，而无需额外的层次结构，通过模拟层级和共享的等变性，这种方法可以适用于许多类型的等变性网络，并且可以学习任何紧致群的子群的等变性，同时实验结果表明该方法在具有混合对称性的数据集上具有有竞争力的表现，并且所学习的概率分布能够准确反映底层等变性的程度。

研究者发现将持久同调整合到图神经网络中可以提高性能。他们提出了一种新颖的机制，利用持久同调将全局拓扑不变性注入到池化层中，从而提高了性能。实验结果表明，这种机制在几个流行的数据集上都有显著的性能提升。

该研究提出了一种新的深度学习方法，实现了与架构无关的等变性，比传统方法更高效。通过对比学习和非等变网络，该方法提供了更多灵活性，并在预训练模型的等变性和典范化过程中具有显著优势，速度提高了2倍。

本文通过理论分析和数值实验深入研究了使用变性数据的自监督降噪算法，讨论了算法在优化问题中找到期望解的同时，经验风险的保证取决于变性水平对降噪任务的难度。实验结果表明，使用变性图像进行训练的算法有效，并且经验性能与理论结果一致，为进一步改进使用变性数据进行自监督图像降噪提供了见解。

强化学习中，利用环境对称性可以提高效率、鲁棒性和性能。本文提出了一种构建等变策略和不变值函数的方法，而无需使用专门的神经网络组件，并在训练过程中添加了正则化项以增加归纳偏置。通过基于地图的路径规划案例研究，展示了等变集合和正则化对样本效率和性能的改进。