Tensori Algebrici di Gruppo per Apprendimento Equivariante Provabilmente Ottimale
Un nuovo quadro matematico noto come algebra tensoriale ⋆_G presenta l'apprendimento equivariante di gruppo come una caratteristica algebrica intrinseca anziché una limitazione architetturale. Questo quadro si basa su tre fondamenti teorici verificati: una garanzia di ottimalità di Eckart-Young per la ⋆_G-SVD, che segna il primo caso di approssimazione tensoriale che preserva la simmetria; una fattorizzazione di Kronecker che integra varie simmetrie senza bisogno di alterare l'architettura; e una formalizzazione in Lean 4 dell'algebra ⋆_G in 600 righe. Offre funzionalità irraggiungibili dalle reti neurali equivarianti convenzionali, come una decomposizione in forma chiusa per ogni previsione per rappresentazione irriducibile e la capacità di identificare il gruppo di simmetria che meglio si adatta a un dataset. Un esempio empirico mostra la decomposizione dei dati molecolari QM9.
Fatti principali
- Il quadro è chiamato algebra tensoriale ⋆_G.
- Qualsiasi gruppo finito G definisce la regola di moltiplicazione.
- L'equivarianza è una proprietà algebrica intrinseca, non un vincolo architetturale.
- La garanzia di ottimalità di Eckart-Young per ⋆_G-SVD è il primo risultato del genere per l'approssimazione tensoriale che preserva la simmetria.
- La fattorizzazione di Kronecker compone più simmetrie sostituendo F_G con F_{G1} ⊗ F_{G2}.
- Viene fornita una formalizzazione in Lean 4 dell'algebra ⋆_G in 600 righe.
- Il quadro consente la decomposizione in forma chiusa per rappresentazione irriducibile di ogni previsione.
- Permette la scoperta basata sui dati del gruppo di simmetria che meglio si adatta a un dataset.
Entità
Istituzioni
- arXiv