12:09官方账号arXiv cs.LG@Peter Lippmann, Fred A. Hamprecht73°这篇教程全面介绍3D数据机器学习中的旋转等变性概念。文章从物理和几何直觉出发,构建了从几何深度学习到群论的必要数学工具。教程涵盖了欧几里得图上的消息传递、球谐函数、Wigner矩阵等关键概念,并详细解释了现代等变性架构的构建方法。论文旋转等变性几何深度学习群论推荐理由:这篇教程帮你理解3D数据中的旋转等变性,从数学基础到实际应用都有详细讲解。原文稍后读已读值得跟进有用关注 旋转等变性
13:26官方账号arXiv cs.LG@Dongzhe Zheng, Tao Zhong, Christine Allen-Blanchette精选本文从函数空间视角研究几何网格上物理场方程的解算子,揭示了Hodge正交性通过将不可学习的拓扑自由度与可学习的几何动力学分离,从根本上解决频谱干扰问题,从而实现结构保持子空间内的加性逼近。基于Hodge理论和算子分裂,作者推导出原则性的算子级分解,提出一种混合欧拉-拉格朗日架构,并引入称为Hodge谱对偶(HSD)的代数级归纳偏置。该方法使用离散微分形式捕捉拓扑主导成分,并用正交辅助环境空间表示复杂的局部动力学。实验表明,该方法在几何图上实现了更高的精度和效率,并增强了对物理不变量的保真度。代码已开源。论文神经算子Hodge分解拓扑保持推荐理由:Hodge分解为神经算子学习提供了严格的数学框架,解决了物理场模拟中拓扑与几何动力学的分离难题。做计算物理、几何深度学习或科学机器学习的团队,可以直接用开源的HSD架构提升模型对物理不变量的保真度。原文稍后读已读值得跟进有用关注 神经算子