本研究探讨了群等变卷积神经网络（G-CNNs）的理论与应用，提出了一种基于对称性的网络架构，显著提升了图像处理性能。这些网络在处理旋转、缩放和反射对称性任务时表现优异，降低了模型复杂性并增强了鲁棒性。

本研究探讨了群等变卷积神经网络（G-CNNs）的理论，提出了系统分类方法，并解决了特征空间之间的等变线性映射问题。同时，介绍了多种图神经网络模型，如EGNN和Equiformer，展示了它们在动态系统建模和时变图处理中的有效性。通过新架构和算法的引入，提升了模型的表达能力和数据效率，实验结果表明这些模型在多个数据集上表现优越。

本文研究了群等变卷积神经网络如何使用子采样打破对称性的等变性，并探讨了对网络性能的影响。研究发现，常用架构即使输入维度微小变化，也会变得近似等变，而不是完全等变。近似等变网络能够放松等变性约束，并在常见基准数据集上与或胜过完全等变网络。