論文の概要: Rotational Equivariance in Machine Learning: A Comprehensive Tutorial
- arxiv url: http://arxiv.org/abs/2608.31045v1
- Date: Mon, 31 Aug 2026 16:21:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.504522
- Title: Rotational Equivariance in Machine Learning: A Comprehensive Tutorial
- Title（参考訳）: 機械学習における回転等価性:包括的チュートリアル
- Abstract要約: 回転対称性は3次元データにおける機械学習における最も重要な構造原理の1つである。
このチュートリアルは回転同値に関する包括的紹介を提供する。
ユークリッドグラフ、群作用と表現、球面調和、ウィグナー行列、テンソル積、クレブシュ・ゴルダン分解にメッセージパッシングを導入する。
- 参考スコア（独自算出の注目度）: 12.072720711193233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rotational symmetry is one of the most important structural principles in machine learning on 3D data. In applications ranging from physics and materials science to 3D computer vision, predictions should not depend on an arbitrary choice of coordinate frame. Rotational equivariance captures this requirement mathematically by enforcing that a rotation of the input induces a corresponding transformation of the model output. This tutorial provides a comprehensive introduction to rotational equivariance, starting from the physical and geometric intuition behind coordinate independence and building up the necessary machinery from geometric deep learning, group theory, and representation theory. We introduce message passing on Euclidean graphs, group actions and representations, spherical harmonics, Wigner matrices, tensor products, and Clebsch-Gordan decomposition, and explain how these ingredients give rise to modern equivariant architectures. We then survey the principal strategies for incorporating rotational equivariance in deep learning, including group convolutions, internal tensorial representations, and canonicalization-based methods, and discuss their practical strengths and limitations. The tutorial aims to lower the barrier to the subject by connecting the underlying mathematics to practical model design, by unifying ideas that are often expressed in different formal languages, and by helping practitioners choose among competing approaches through a clear discussion of their trade-offs.
- Abstract（参考訳）: 回転対称性は3次元データにおける機械学習における最も重要な構造原理の1つである。
物理学や材料科学から3Dコンピュータビジョンまで、様々な応用において、予測は座標フレームの任意の選択に依存してはならない。
回転同値はこの要求を数学的に捉え、入力の回転がモデル出力の対応する変換を誘導することを強制する。
このチュートリアルは、座標独立性の背後にある物理的および幾何学的直観から始まり、幾何学的深層学習、群論、表現論から必要な機械を構築する、回転同値に関する包括的な紹介を提供する。
ユークリッドグラフ、群作用と表現、球面調和、ウィグナー行列、テンソル積、クレブシュ・ゴルダン分解にメッセージパッシングを導入し、これらの成分が現代の同変アーキテクチャをどのように生み出すかを説明する。
次に,グループ畳み込み,内部テンソル表現,正準化に基づく手法など,深層学習に回転同値を組み込むための主要な戦略を調査し,その実践的強みと限界について議論する。
このチュートリアルは、基礎となる数学と実用的なモデル設計を結びつけること、しばしば異なる形式言語で表現されるアイデアを統一すること、そして実践者が彼らのトレードオフを明確に議論することで、競合するアプローチを選択することを支援することで、主題に対する障壁を低くすることを目的としている。
関連論文リスト
- A Complete Guide to Spherical Equivariant Graph Transformers [0.7953056533753116]
球面同変グラフニューラルネットワーク(EGNN)は、三次元分子および生体分子系の学習のための原則的枠組みを提供する。
このガイドは、球状EGNNを理解し、実装しようとする研究者や学習者のための自己完結した紹介である。
論文 参考訳（メタデータ） (2025-12-15T22:03:09Z) - Riemannian Consistency Model [57.933800575074535]
本稿では,Riemannian Consistency Model (RCM)を提案する。
RCMの離散的および連続的な訓練目標に対する閉形式解を導出する。
我々は、RCMの目的を解釈するためのユニークなキネマティクスの視点を提供し、新しい理論的な角度を提供する。
論文 参考訳（メタデータ） (2025-10-01T14:57:25Z) - Moment kernels: a simple and scalable approach for equivariance to rotations and reflections in deep convolutional networks [0.0]
この同値性は、単純な畳み込みカーネルを用いて達成可能であることを示す。
標準畳み込みモジュールを用いて同変ニューラルネットワークを実装した。
論文 参考訳（メタデータ） (2025-05-27T20:27:00Z) - Large Language-Geometry Model: When LLM meets Equivariance [53.8505081745406]
本稿では,3次元物理システムを表現するための新しいフレームワークであるEquiLLMを提案する。
EquiLLMは分子動力学シミュレーション,ヒトの動作シミュレーション,抗体設計など,従来の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-02-16T14:50:49Z) - Current Symmetry Group Equivariant Convolution Frameworks for Representation Learning [5.802794302956837]
ユークリッドの深層学習はしばしば、表現空間が不規則で複雑な位相で湾曲した実世界の信号に対処するのに不十分である。
我々は、対称性群同変深層学習モデルの重要性と、グラフや3次元形状、非ユークリッド空間における畳み込みのような操作の実現に焦点を当てる。
論文 参考訳（メタデータ） (2024-09-11T15:07:18Z) - Binding Dynamics in Rotating Features [72.80071820194273]
本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。
これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
論文 参考訳（メタデータ） (2024-02-08T12:31:08Z) - Dimensionless machine learning: Imposing exact units equivariance [7.9926585627926166]
単位等価な機械学習のための2段階の学習手順を提供する。
まず、次元解析による古典的な結果を用いて、その入力の無次元バージョンを構築する。
そして、無次元空間で推論を行う。
論文 参考訳（メタデータ） (2022-04-02T15:46:20Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳（メタデータ） (2022-03-11T18:27:04Z) - Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
論文 参考訳（メタデータ） (2021-12-03T06:41:19Z) - Geometric Algebra Attention Networks for Small Point Clouds [0.0]
物理科学における問題は、2次元または3次元空間における比較的小さな点集合を扱う。
これらの小点雲上での深層学習のための回転・置換同変アーキテクチャを提案する。
物理, 化学, 生物学に関連するサンプル問題を, モデルを用いて解くことにより, これらのアーキテクチャの有用性を実証する。
論文 参考訳（メタデータ） (2021-10-05T22:52:12Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。