Quadro Teorico Confronta le Strategie di Invarianza nell'Apprendimento Automatico

Un recente studio pubblicato su arXiv (2605.11008) presenta un modello teorico per esaminare l'errore di generalizzazione associato alle tecniche di media di gruppo e canonizzazione volte a raggiungere l'invarianza in backbone non invarianti. I ricercatori creano una gerarchia che indica che i limiti di errore dei modelli canonizzati possono essere, nel migliore dei casi, equivalenti a quelli dei modelli strutturalmente invarianti e mediati per gruppo, e nel peggiore dei casi, paragonabili alle baseline non invarianti. Dimostrano che le canonizzazioni ottimali producono i migliori limiti, mentre quelle subottimali si allineano con i limiti non invarianti, influenzate dalla regolarità della canonizzazione. Questo quadro è rilevante per i gruppi di permutazione.