深度学习模型中的特征手性

May, 2023

Feature Chirality in Deep Learning Models

Shipeng Ji, Yang Li, Ruizhi Fu, Jiabao Wang, Zhuang Miao

TL;DR通过 CNN 在图像识别中应用视觉手性区别图片是否翻转，我们在本文中研究了特征手性的特性，提出了特征手性的概念和测量方法，并在 AlexNet、VGG 和 ResNet 模型上分析获得了类似但令人惊讶的结果，表明特征手性暗示了模型评估、模型解释性和模型参数优化。

Abstract

As deep learning applications extensively increase by leaps and bounds, their interpretability has become increasingly prominent. As a universal property, chirality exists widely in nature, and applying it to the

deep learning chirality feature chirality cnn model interpretability

发现论文，激发创造

视觉手性

研究图像在镜像情况下数据分布的变化，探索其在数据增强、自监督学习和图像取证等方面的应用。

Jun, 2020

ChiENN：基于图神经网络应用于分子手性研究的工具

该文章提出了一种能够敏感化处理化合物手性信息的分子手性神经网络层 ChiENN，并将其附加到任何 GNN 模型中以启用手性感知。实验结果表明，将 ChiENN 层添加到 GNN 中优于当前在手性敏感分子属性预测任务中的最新技术方法。

Jul, 2023

人体姿态回归的手性网络

提出了具有对称性质和数据效率的 Chirality Nets 进行人体姿态估计，表现出了最先进的效果。

Oct, 2019

基于深度学习的晶体结构洞见性分类

本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。

Sep, 2017

计算化学中的深度学习

本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

Jan, 2017

分形几何的潜力和卷积神经网络对其编码能力的研究

通过研究分形维度如何随测量尺度变化来提供对象复杂性的统计指标，本研究调查了深度模型学习的特征，以及这些深度网络是否能够编码像分形维度这样复杂和高级的特征。研究表明深度网络无法在任何层次中提取这样的特征，而仅操作分形特征的模型在某些应用中的分类任务中可显着提高准确性，且相对于原始数据训练的深度网络而言，所需计算资源较少。

Jan, 2024

衡量 CNN 学习表面统计规律的倾向性

本研究使用 Fourier 滤波技术构建数据集，并发现深度 CNN 倾向于抓取训练集的 Fourier 图像统计数据，导致出现高泛化差距，从而支持深层 CNN 更倾向于学习数据集的表面统计规律而非高层次的抽象概念。

Nov, 2017

探究机器学习中破坏对称性的影响

对于建模原子尺度物质性质的模型，以对称性作为归纳偏差普遍被采用。然而，非对称模型也能从数据中学习对称性，并对模型准确性有益。本研究测试了一个仅近似满足旋转不变性的模型在模拟气相、液态和固态水的实际场景中的性能，发现其在插值、大体积情况下几乎无影响。即使在外推气相预测中，该模型仍然非常稳定，尽管有对称性伪迹存在。我们还讨论了系统减小对称性破缺程度的策略，并评估其对观测量收敛性的影响。

Jun, 2024

漂移电子磁体中手性结域的粗化：一种机器学习力场方法

通过机器学习框架模拟复杂的交叉磁场和自旋 - 自旋相互作用来研究三角晶格中手性磁域的增长规律，发现磁域特征尺寸随时间线性增长，这归因于磁域边界的方向各向异性，同时揭示了机器学习模型在研究移动磁体的大规模自旋动力学方面的潜力。

Mar, 2024

超越平面对称性：模拟野外环境下人类对反射和旋转对称性的感知

本论文介绍了 Sym-NET，这是第一个用于检测深度学习神经网络的反射和旋转对称性的模型，在人类感知的对称性、基于图像的计算机视觉竞赛中获得了最佳表现。

Apr, 2017