Fugu-MT 論文翻訳(概要): Equivariance by Local Canonicalization: A Matter of Representation

論文の概要: Equivariance by Local Canonicalization: A Matter of Representation

arxiv url: http://arxiv.org/abs/2509.26499v1
Date: Tue, 30 Sep 2025 16:41:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-01 14:45:00.211635
Title: Equivariance by Local Canonicalization: A Matter of Representation
Title（参考訳）: 局所正準化による等価性:表現の問題
Authors: Gerrit Gerhartz, Peter Lippmann, Fred A. Hamprecht,
Abstract要約: 本稿では,既存のテンソル場ネットワークをより効率的な局所正規化パラダイムに変換するためのフレームワークを提案する。このフレームワーク内では、理論的複雑性、経験的ランタイム、予測精度の観点から、異なる同変表現を体系的に比較する。
参考スコア（独自算出の注目度）: 11.697651699958755
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Equivariant neural networks offer strong inductive biases for learning from molecular and geometric data but often rely on specialized, computationally expensive tensor operations. We present a framework to transfers existing tensor field networks into the more efficient local canonicalization paradigm, preserving equivariance while significantly improving the runtime. Within this framework, we systematically compare different equivariant representations in terms of theoretical complexity, empirical runtime, and predictive accuracy. We publish the tensor_frames package, a PyTorchGeometric based implementation for local canonicalization, that enables straightforward integration of equivariance into any standard message passing neural network.
Abstract（参考訳）: 等変ニューラルネットワークは、分子的および幾何学的データから学習するために強い帰納バイアスを与えるが、しばしば特別な計算コストのテンソル演算に依存する。本稿では,既存のテンソル場ネットワークをより効率的な局所正規化パラダイムに移行し,等価性を保ちながら実行時間を大幅に改善する枠組みを提案する。このフレームワーク内では、理論的複雑性、経験的ランタイム、予測精度の観点から、異なる同変表現を体系的に比較する。我々は、PyTorchGeometricをベースとした局所正規化実装であるtensor_framesパッケージを公開し、任意の標準メッセージパッシングニューラルネットワークに同値を簡単に統合できるようにする。

関連論文リスト

Adaptive Canonicalization with Application to Invariant Anisotropic Geometric Networks [22.039672459015453]
ニューラルネットワークにおいて対称性を強制する一般的なフレームワークである強調正準化を導入する。この構造は、普遍近似特性を持つ連続的および対称性を反映するモデルをもたらすことを証明している。 i)スペクトルグラフニューラルネットワークにおける固有ベイシスの解法と(ii)点雲における回転対称性の扱いの2つの方法を提案する。
論文参考訳（メタデータ） (2025-09-29T14:59:46Z)
Approximately Equivariant Neural Processes [47.14384085714576]
実世界のデータをモデル化する場合、学習問題は必ずしも同変ではなく、概ね同変であることが多い。これを達成するための現在のアプローチは、通常任意のアーキテクチャや対称性群に対して最初から適用することはできない。我々は、既存の同変アーキテクチャを用いてこれを実現するための一般的なアプローチを開発する。
論文参考訳（メタデータ） (2024-06-19T12:17:14Z)
Unifying O(3) Equivariant Neural Networks Design with Tensor-Network Formalism [12.008737454250463]
本稿では,SU($2$)対称量子多体問題のシミュレーションに広く用いられている融合図を用いて,同変ニューラルネットワークのための新しい同変成分を設計する手法を提案する。与えられた局所近傍の粒子に適用すると、結果として得られる成分は「融合ブロック」と呼ばれ、任意の連続同変関数の普遍近似として機能する。我々のアプローチは、テンソルネットワークと同変ニューラルネットワークを組み合わせることで、より表現力のある同変ニューラルネットワークを設計するための有益な方向を示唆している。
論文参考訳（メタデータ） (2022-11-14T16:06:59Z)
Equivariance with Learned Canonicalization Functions [77.32483958400282]
正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
論文参考訳（メタデータ） (2022-11-11T21:58:15Z)
Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
論文参考訳（メタデータ） (2022-11-02T16:39:42Z)
Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
論文参考訳（メタデータ） (2022-02-08T16:16:11Z)
Generalization capabilities of neural networks in lattice applications [0.0]
翻訳等変ニューラルネットワークを用いた非同変ニューラルネットワークの利点について検討する。我々の最良の同変アーキテクチャは、その非同変アーキテクチャよりも大幅に性能を向上し、一般化できることが示される。
論文参考訳（メタデータ） (2021-12-23T11:48:06Z)
Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
論文参考訳（メタデータ） (2021-10-07T11:05:23Z)
Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文参考訳（メタデータ） (2021-06-15T17:45:51Z)
Generalizing Convolutional Neural Networks for Equivariance to Lie Groups on Arbitrary Continuous Data [52.78581260260455]
任意の特定のリー群からの変換に同値な畳み込み層を構築するための一般的な方法を提案する。同じモデルアーキテクチャを画像、ボール・アンド・スティック分子データ、ハミルトン力学系に適用する。
論文参考訳（メタデータ） (2020-02-25T17:40:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。