- 等变时空关注图网络模拟物理动力学
学习表示和模拟物理系统的动力学是一个关键且具有挑战性的任务。在这篇论文中，我们将动力学模拟重新定义为时空预测任务，通过利用过去时期的轨迹来恢复非马尔科夫相互作用。我们提出了 ESTAG（等变时空注意力图网络），这是一种时空 GNN 的等变版 - ICLR深度 SE (3) 等变几何推理用于精确布局任务
在本文中，我们提出了一种方法，用于准确的相对位置预测，该方法在少量演示数据上可学习，可以跨对象类别变化进行泛化，并通过证明具有 SE (3) 等变性来解决此问题。
- 使用轨道距离最小化学习等变性的对称化方法
我们提出了一个通用的框架，用于将任意神经网络架构进行对称化，并使其关于给定群体具有等变性。我们构建在 Kim 等人（2023）和 Kaba 等人（2023）的对称化建议的基础上，并通过用一个直观地测量群轨道之间距离的优化来取代将神经特征转换 - 自动驾驶运动预测的等变映射和代理几何
在自动驾驶中，深度学习实现的动作预测是一个热门话题。这项研究引入了一种具备几何等变性和交互不变性的突破性移动预测模型 EqMotion，在自动驾驶中融合了代理等变的高清地图特征，实现了上下文感知的准确运动预测。这些技术的应用使得我们的模型在 - MM线性神经网络的几何：对置等变性和不变性的研究
线性全连接神经网络所参数化的函数集合是一个行列式变种。我们研究了在置换群的作用下等变或不变的函数子变种。对于这些等变或不变的子变种，我们提供了其维数、度数以及欧氏距离度数和奇点的明确描述。我们对任意置换群完全表征了不变性和循环群的等变性。我 - 离线强化学习中的等变数据增强技术
我们提出了一种新的方法来解决离线强化学习中的泛化问题，通过学习动力学模型并检查其是否与固定类型的转换即状态空间中的平移等变，使用熵正则化增加等变集合并用结果转变的样本增强数据集，最后基于增强数据集使用现成的离线强化学习算法离线学习新策略，实 - 在黎曼流形上进行高阶规范等变 CNN 和应用
本文介绍一个高阶推广的标准等变卷积的实现方式，即等变 Volterra 网络，使得在给定的接受范围内可以建模空间扩展的非线性交互，同时保持全局同构等变性，最后将它应用到神经影像数据的分类中。
- ICLRSpecformer: 光谱图神经网络与 Transformer 的相遇
本文介绍了一种称为 Specformer 的基于自注意机制的可学习集合对集合谱滤波器，实现对图形代表的编码，在单个样本数据集上进行测试并比其他谱 GNN 表现更好。
- CVPR在最先进的特征匹配器中使用旋转不变特征的案例
本文旨在证明用可旋转卷积神经网络替换骨干卷积神经网络能够使现有的特征匹配算法（LoFTR）在旋转处理方面更加鲁棒，实验证明这样的改进不会减少对普通对比度和角度匹配序列的处理性能。
- ICLR等变子图聚合网络
提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。
- 关于旋转等变点云网络的普适性
研究点云上函数学习的神经网络结构具有形状不变性，首先推导出两个充分条件以获得普适逼近性能，在此基础上设计了两个新的普适网络结构。
- 等变流：对称密度的精确似然生成学习
本文研究了等变正规化流，在物理和化学的多体系统中存在的对称性被设计地融入流中，建立流的基础块并提高采样效率与泛化能力。
- ICLR等距不变和等变图卷积网络
我们提出了一种基于图卷积网络的一组变换不变和等变模型，称为 IsoGCNs，并证明了该模型在几何和物理模拟数据相关任务上具有竞争性能.
- ICCV等变多视角网络
本文提出了一种基于群卷积的多视图融合方法，实现对所有视图的联合推理，并通过对旋转群的离散子群进行卷积来维持等变性，从而在多个大规模的 3D 形状检索任务中取得了新的最高水平，并且在全景场景分类方面也有额外的应用。
- 3D Steerable CNNs：学习体数据中的等变特征
本文提出了一种卷积网络，它对刚体运动具有等变性。使用 3D 欧几里得空间上的标量场、向量场和张量场来表示数据，并使用等变卷积在这些表示之间映射。实验结果验证了 3D Steerable CNN 对氨基酸倾向预测和蛋白质结构分类等问题的有效性