使用李群和李代数的结构与几何学，提出了一个框架，用来在大多数情况下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。通过将 `较大的` 群分解为子群和子流形来实现不变积分和全局参数化。在这个框架下，我们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我们模型的鲁棒性和越域泛化能力，结果表明我们的模型优于所有先前的等变模型以及所有胶囊网络提议。

Oct, 2023

本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法，通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。

Feb, 2021

该研究提出了一种 Lie 群 - CNN 模型，利用群卷积模块的全连接网络和 Lie - 代数实现了尺度旋转等变性，进而成功地从图像中提取几何特征并实现了对图像的等变识别。

Jun, 2023

在物理科学中，利用李代数卷积网络（L-conv）可以发现物理学和对称性之间的直接联系，并且 L-conv 可以作为构建任何等变前馈结构的构建模块。

Sep, 2021

本文首先说明深度学习中卷积神经网络在图像识别方面的成功，然后介绍了将此框架推广到其他领域的尝试，并给出了使用表示论和非交换调和分析概念的卷积和等变性的理论证明，证明了卷积结构不仅是充分而且也是必要的对于紧致群作用的等变性的条件，并推导了新的广义卷积公式。

Feb, 2018

本文介绍了一种使用李群上的卷积（group convolutions over Lie groups）来实现任何形变的不变性的严谨数学框架，经实验证明在具有仿射不变性的分类任务中，我们的方法比传统 CNN 提高了 30％的准确性，同时优于大多数 CapsNets。

Nov, 2021

在机器学习领域，最近，模型对于群作用的等变性已经成为重要的研究主题。本研究通过利用 Lie 群的 Lie 代数，提出了一种新颖的几乎等变性定义，并给出了一种将几乎等变性编码到模型中的实用方法。进一步，该研究还证明了等变性与等距性的关联以及几乎等变性与几乎等距性的关联，并在一定约束条件下，证明了几乎等变性流形嵌入函数与完全等变性嵌入函数之间的存在性。最后，通过在完全等变性和几乎等变性设置下的数据集上进行基准测试，证明了该方法的有效性。

Oct, 2023

使用 Lie 莱标甲，文章研究了几百个预训练模型，证明即使在没有明确建构且具有对称性的设计的情况下，Transformers 也可以比 CNNs 更具有等变性。

Oct, 2022

本研究论文探讨卷积神经网络在对称群中的应用，提出了群等变神经网络的概念和架构，以及使用多种层和滤波器的方法，为对称群的表示和胶囊的细节做出了数学分析。

Jan, 2023

本文提出了一种方法，通过使用可缩放的傅里叶 - 阿甘德表示法和类似卷积的操作来实现卷积神经网络对于平移、旋转和缩放的同时等变性，并验证了该方法在图像分类任务方面的有效性和对缩放和旋转输入的泛化能力。

Mar, 2023