- Cloud-RAIN: 具有反射不变性的点云分析
通过使用二次神经元和 PCA 规范表示的框架,提出了 Cloud-RAIN 来使点云具有反射不变性,验证了该方法的优越性并证明了其反射性质。
- 利用对称性和启发式演示的离线策略强化学习在机器人操纵中的应用
本研究旨在定义和纳入物理机器人环境中的自然对称,利用行为克隆和强化学习相结合的方法,通过专家演示在对称环境下训练高效的模型无关强化学习策略,为普通操作任务的学习性能提供了新的可行方法。实验研究结果显示,相较于传统的策略外学习算法,该方法具有 - 置换等变神经函数
本篇论文研究了用于处理其他神经网络的权重或梯度的神经网络的设计,即神经功能网络(NFN),并通过对称性的引入提出了一个构建置换等变的神经谷波器的框架,其架构将这些对称性编码为归纳偏置,并发现该框架在处理加权多层和卷积神经网络等多个任务方面表 - 可转向生长神经元细胞自动机
通过在细胞间加入可调整的内部状态来实现上下左右的定向,并且仍旧保持细胞的对称性,同时只需使用少量数据即可训练。
- 对称腿机器人的高效样本动力学学习:利用物理不变性和几何对称性
该论文提出了一种利用机器人系统对称性学习动态的新方法,通过设计基于神经网络的对称对象组来考虑机器人系统的几何先验知识,实现了对少样本数据实现系统动态的扩展和精准的控制,同时与现有模型相比,该方法使用更少的训练数据实现了更好的泛化。
- 使用子等变图神经网络学习物理动力学
本文提出了一种新颖的基础方法,称为 Subequivariant Graph Neural Network,并解决了在物理动力学中如何将物理定律所包含的对称性协同模型设计以及模型如何处理物理世界中不同形状、尺寸和属性的物体等问题。该模型在 - 从对称性学习:具有对称数据和语言指示的元强化学习
提出了一种双 MDP 元强化学习方法,该方法将语言指令和对称数据结合到元 RL 中,能够显著提高元强化学习的泛化能力和学习效率。
- 深度学习模型及其内部表示的对称性
对于机器学习模型的对称性和内部数据表示之间的关联,我们提出了本文中阐述的模型内联群的概念,通过相似实验,我们将内联群与具有相同架构的模型之间的隐藏状态相似性联系起来,从而更好地理解体系结构如何影响学习和预测过程。最后,我们猜测对于 ReLU - 多智能体动态的概率对称性
本研究针对多智能体动态问题,提出能更好地进行概率预测的 PECCO 深度动态模型,并利用旋转等变性来提高预测精度和不确定性校准。PECCO 可显著改善非等变基准模型的准确性和校准,其应用前景广阔。
- ICML学习对称嵌入以实现等变世界模型
利用学习对称嵌入网络(SENs)的方法能够促进等变网络应用于具有复杂对称性表示的数据,并可能相对于全等变和非等变基线产生精度和泛化方面的改进。
- 高阶接近度结合对称性和图正则化的非负矩阵分解用于社区检测
本研究提出了一种基于 High-Order Proximity 的 Symmetry and Graph-regularized NMF (HSGN) 模型,结合加权点间互信息的方法来衡量网络中节点之间的高阶连接并通过对称性和图正则化的 N - CVPR利用对称性和群学习单 / 多属性物体
提出了一种新的属性对象变换的原则 —— 对称,结合群论构建的 SymNet 框架可以实现属性学习、组合式零样本学习,并在四项广泛应用数据集上优于现有技术。
- 不变与等变网络设计的框架平均
介绍了一种称为框架平均的通用框架,用于使现有神经网络体系结构对新的对称性类型具有不变性或等变性。该框架建立在团体平均算子之上,并通过使用小的子集来取代整个团的平均算子,从而保证较低的计算成本。通过使用框架平均,提出了一类称为通用图神经网络( - ICCV通过多图像无监督学习实现逼真的单视角三维物体重建
本文提出一种新的无监督算法,可以从一个多图像数据集学习 3D 重建网络,且不需要对称性条件,并采用新的反照率损失来提高重建细节和真实性,该方法在各种结构的数据集上都具有优越性和鲁棒性。
- CVPRNeRD: 神经网络 3D 对称性反射探测器
本研究介绍了 NeRD,一种神经 3D 反射对称性检测器,可以准确地恢复对象的镜像平面的法线方向,并证明检测到的对称性可用于提高下游任务(如姿态估计和深度图回归)的性能。
- MM神经网络权重是否考虑类中心?
本文旨在解决神经网络最后一个隐藏层的特征空间假设问题,提出并分析了一种满足此假设的对称性,并且验证了其在训练稳定性过程中的有效性。
- 神经网络分类器的末尾和倒数第二层出现单纯对称的研究
神经网络分类器的倒数第二层在高维空间中呈现出较大的对称性,通过仅仅简述深度网络的玩具模型,证明了即使是分类器的最终输出在某些条件下也不会对来自于同一类中的数据样本一致,这里的条件包括分类器是浅层网络或深层网络无法将样本带入适当的几何配置。
- EMNLP推测自然语言的对称性
本文介绍一种推理自然语言中谓词对称性的方法学框架,评估了两种主要的方法论,即基于特征和基于上下文,并结合语言模型给出了对称性的预测。实验证明,结合特征和上下文模型的混合模型可以更准确地预测数据。该工作还提出了如何将对称性推理应用于现代语言模 - 通过神经元对齐优化模式连接性
本文提出了一种更一般的框架来研究对称性对深度神经网络损失曲面中模式连通性的影响,该框架考虑了网络权重置换的影响,提出了称为神经元对齐的廉价启发式方法来近似最优置换,从而证明了该方法在模式连通性方面的实际效果优越。
- ICML破解多智体的诅咒:可证明的均值场增强学习中的均值嵌入 Q 迭代算法
本文研究多智能体协同学习中的代理对称性问题,提出基于平均场的分布式状态下的问题和解法,并针对提出的算法进行了非渐近分析,得出当观察代理数量增加时,算法性能将得到提高的结论。