介绍一个新的概率模型，它针对紧致交换李群进行不变 - 等变和解开聚合表示数据。使用从物理学中借用的基本原理来定义解开概念。训练模型并表明学习到的不变表示对于分类非常有效。

Feb, 2014

该论文提出了一种方法，可以将 Lie 群适配到高维数据集上，通过一个特定的模糊算子使推理可以逃脱局部最小值，鼓励发现稀疏的、最小距离的状态之间的变换，同时演示了如何在自然图像补丁和自然视频序列上进行变换学习和推理。

Jan, 2010

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

本文从数学表示理论的角度研究了学习具有预先指定的变换不变性的字典的问题，并使用非阿贝尔傅里叶分析提出了算法有效实现了学习。通过将字典学习问题与物理域中的问题以及相关的计算问题联系起来，本文为我们提供了一种处理具有对称性的问题的新视角，使我们得以引入带限制的方法来进行降维，并为学习 SO（3）不变字典提供了一种有效的方法，本文提供了有关我们计算方法的保证。

May, 2023

该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法，通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来，实现了在大型数据集中正确检测离群点的目的。

Apr, 2017

本文提出了一种基于深度学习的骨骼动作识别方法，采用了 Lie 群结构，并设计了旋转映射和对数映射层，以学习更合适的特征，并在标准的 3D 人体动作识别数据集上取得了优异的性能。

Dec, 2016

通过研究李群对流形的平滑作用所带来的固有不变性，我们发现在估计 Wasserstein 距离、Sobolev 积分概率度量（Sobolev IPM）、最大均值差异（MMD）以及密度估计问题的复杂性（在 L^2 和 L^∞距离上）时，对于许多机器学习模型中出现的群不变概率分布可以大大提高样本复杂度，并改善收敛速度指数。这些结果对于正维度群是全新的，并扩展了有限群作用的最近界。

Nov, 2023

本文提出了一种基于核方法的技术来推导局部群不变表示，通过在群上定义适当的概率分布来实现局部性，并使用核方法的强大框架来学习这些分布上的决策函数，从而生成局部不变随机特征映射。经实验证明，在三个真实数据集上，该方法优于基于核的竞争方法，并且在 Rotated-MNIST 上表现优于深度 CNN，并且与最近提出的群等变 CNN 表现相当。

Dec, 2016

提出了用于机器学习对称矩阵上不变函数和对点云上不变函数的数学公式，并结合 DeepSets 在不同尺寸的对称矩阵和点云上学习函数的可行性。

May, 2024

本研究介绍了一种方法，用于学习相对于数据的一般群作用等变的表示。该方法适用于非自由的行动，即通过非平凡的对称性稳定数据的行动。该方法基于群论中的轨道稳定子定理，保证理想学习者推断同构表示。最后，我们对具有旋转对称性的图像数据集进行了实证研究，并表明，考虑稳定子可以提高表示的质量。

Jan, 2023