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。

该论文研究了使用群对称性提高规划算法效率和泛化能力。将路径规划问题视为网格上的信号，通过等变卷积网络实现线性等变算子的价值迭代。实验表明，该算法比非等变协方差算法VIN和GPPN更有效率和泛化能力更强。