这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。

Oct, 2023

我们提出了 $S_n$- 等变量子卷积电路的理论框架，利用傅里叶空间神经结构等方法速度超指数级地计算 $S_n$- 傅里叶系数矩阵元，证明了该框架的普适性，并进行了在量子机器学习和优化方面的应用与数值模拟，这是第一次将著名的 Okounkov-Vershik 表示理论应用于机器学习和量子物理。

Dec, 2021

对使用数据集的对称性来约束神经网络的参数空间以提高其可训练性和泛化能力的几何深度学习方法在量子机器学习领域得到了应用，其中包括了等变量量子神经网络 (EQNNs)。本研究探讨了经典到量子嵌入对等变量量子卷积神经网络（EQCNNs）图像分类性能的影响，分析了数据嵌入方法与对称群表示的关联，以及不同表示对 EQCNN 表达能力的影响。我们数值比较了基于三种不同基佯波函数嵌入的 EQCNN 与非等变量量子卷积神经网络（QCNN）的分类准确性。结果显示，在训练迭代次数较少时，所有的 EQCNN 都比非等变量 QCNN 具有更高的分类准确性，而在迭代次数较多时，这种改进明显依赖于所使用的嵌入方法。预计本研究的结果对于几何量子机器学习中数据嵌入选择的重要性有着更好的了解，对学术界具有实用意义。

Dec, 2023

本文介绍如何使用 G-CNN 创建具有特定对称性质的量子状态的最大表现模型，并在经典算法中取得更好的性能表现。

Apr, 2021

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

本文介绍了群等变神经网络及其在机器学习中的应用及理论，其中包括群表示理论、非交换调和分析和微分几何等内容，研究结果表明这些网络可以降低样本和模型的复杂性，在输入具有任意相对角度的挑战性任务中表现出色。

Apr, 2020

使用群卷积神经网络 (GCNNs) 基于数据的对称性对星系形态分类任务进行研究，通过引入人为扰动和模拟观测能力的限制来进行鲁棒性研究，发现 GCNN 在分类准确性和鲁棒性方面优于非等变的对应模型。

Nov, 2023

图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

Aug, 2023

本研究提出了基于不同 SU (d) 对称性物理系统的 equivariant convolutional algorithms 框架，它能够增强量子计算模型，如 permutational quantum computing (PQC)，定义了一个更强大的模型，PQC+。我们进一步讨论了可在 PQC + 范式下执行的实用量子机器学习算法。

Jul, 2022

提出了 SnCQA 硬件高效的等变量子卷积电路，适用于存在置换对称性的机器学习问题和量子计算化学中，具有可扩展性和噪声鲁棒性，比传统量子变分电路拥有更高的性能表现。

Nov, 2022