本研究提出了一种基于变换对称性等效性原则的神经网络架构设计方法，并将此原则扩展至局部规范变换领域，以实现在流形上的卷积神经网络，提高了全景图像与全球气候图案分割等任务的性能。

Feb, 2019

通过将离散化球体建模为图形，我们可以容纳非均匀分布、部分和变化的采样。此外，图形卷积比球形卷积计算效率更高。通过使用 Defferrard 等人（2016）介绍的图形神经网络，我们讨论了如何实现旋转等变性，在旋转不变学习问题上表现良好。

Apr, 2019

介绍了一种 3D 旋转等变 CNN (CubeNet)，该网络通过保留 3D 形状的全局和局部特征，有助于维护体素化对象的有意义表示，并能解释输入之间的姿态差异。应用于各种 3D 推断问题中，在 ModelNet10 分类挑战赛上实现了最先进的性能，并在 ISBI 2012 Connectome 分割基准测试中实现了可比性能。

Apr, 2018

实际几何和 3D 视觉任务充满了令人困惑的对称性，该论文介绍了一种名为神经等距映射的自动编码器框架，它学习将观察空间映射到通用的潜在空间，在这个空间中，当相应的观察在世界空间中有几何关系时，编码是由等距映射相关的。这种方法形成了一个有效的自监督表示学习的基础，并且我们证明了一个在预训练的潜在空间中操作的简单暗箱神经网络能够达到与精心设计的手工网络相媲美的结果，以处理复杂的非线性对称性。此外，等距映射捕捉了世界空间中相应变换的信息，我们展示了这使我们能够直接从相邻视图的编码之间的映射的系数为相机姿态回归。

May, 2024

我们研究了群等变卷积神经网络如何使用子采样来打破对其对称性的等变性，并探讨了对网络性能的影响。我们发现，即使输入维度只有一个像素的微小变化，常用的架构也会变得近似等变，而不是完全等变。当训练数据中的对称性与网络的对称性不完全相同时，近似等变网络能够放松其等变性约束，并在常见的基准数据集上与或胜过完全等变网络。

Aug, 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

提出了一种基于超球体和正则 n - 单纯形的学习 nD 特征使点云分析在正交转换下等变的方法。实验结果验证了该方法的理论贡献，并展示了深度等变超球体的实际应用潜力。

May, 2023

文章讨论了神经网络在物理规律中对称性的应用，提出了基于张量和标量方法的普适逼近算法。

Jun, 2021

我们将神经网络的普适逼近定理推广到对于线性表示组不变或等变的映射，以建立一种像网络一样的计算模型，能够在能够逼近任何连续不变 / 等变映射的同时保持不变 / 等变。我们提出了完备的不变 / 等变网络的构造，通过引入中间多项式层，通过 Hilbert 和 Weyl 的定理证明了我们的构造方法。我们提出了适用于 SE（2）群的 “电荷守恒卷积” 模型，并证明其是连续 SE（2）等变信号变换的通用逼近器。

Apr, 2018

本研究分析了卷积神经网络（CNN）在球形图像分类和语义分割中旋转等价性的角色，并以 MNIST 和 FashionMNIST 数据集为基础，比较了 S2CNNs 和标准非等变 CNNs 的性能与推理时间等因素的权衡考虑。研究发现，对于固有的旋转不变的任务，通过大幅增加数据扩增和网络规模，标准 CNNs 可以达到与等变网络至少同样的性能，而对于固有的等变任务，非等变网络始终无法达到等变网络的性能水平。

Feb, 2022