Sonlu boyutlu yarı-basit gerçek grup gösterimleri arasındaki eşdeğişken fonksiyonların modellenmesi ve öğrenilmesi için, pek çok uygulama alanında geliştirilen birleştirici yapılar için genel bir çerçeve sunuyoruz. Modelimiz, katsayıları değişmez polinom özelliklerinin keyfi öğrenilebilir fonksiyonları olan eşdeğişken polinom özelliklerinin doğrusal bir birleşimidir. Belirlenen derecelere kadar, değişmez cebir ve değişmez cebir üzerindeki kovaryant modül için minimal homojen üreteçleri özellik olarak alıyoruz.
- Sonlu boyutlu yarı-basit gerçek grup gösterimleri arasındaki eşdeğişken fonksiyonların modellenmesi ve öğrenilmesi için, pek çok uygulama alanında geliştirilen birleştirici yapılar için genel bir çerçeve sunuyoruz.
- Modelimiz, katsayıları değişmez polinom özelliklerinin keyfi öğrenilebilir fonksiyonları olan eşdeğişken polinom özelliklerinin doğrusal bir birleşimidir.
- Belirlenen derecelere kadar, değişmez cebir ve değişmez cebir üzerindeki kovaryant modül için minimal homojen üreteçleri özellik olarak alıyoruz.
Sonlu boyutlu yarı-basit gerçek grup gösterimleri arasındaki eşdeğişken fonksiyonların modellenmesi ve öğrenilmesi için, pek çok uygulama alanında geliştirilen birleştirici yapılar için genel bir çerçeve sunuyoruz.
02 Özet
Sonlu boyutlu yarı-basit gerçek grup gösterimleri arasındaki eşdeğişken fonksiyonların modellenmesi ve öğrenilmesi için, pek çok uygulama alanında geliştirilen birleştirici yapılar için genel bir çerçeve sunuyoruz. Modelimiz, katsayıları değişmez polinom özelliklerinin keyfi öğrenilebilir fonksiyonları olan eşdeğişken polinom özelliklerinin doğrusal bir birleşimidir. Belirlenen derecelere kadar, değişmez cebir ve değişmez cebir üzerindeki kovaryant modül için minimal homojen üreteçleri özellik olarak alıyoruz. Bu özellikleri otomatik olarak hesaplayan ve ortaya çıkan modelleri eğitim verilerine uyarlayan bir Python paketi sağlıyoruz. Özellik hesaplama algoritması, indirgenemez temsillerin tensör çarpımının açık Clebsch-Gordan ayrıştırmalarının yanı sıra girdi ve çıktı temsillerinin açık izotipik ayrıştırmalarını gerektirir ve hesaplamalı cebirde alternatif yöntemlere göre hızlanma sağlar. Bilimsel modellemedeki sayısal deneyler, modeli hem uçtan uca tahmin için hem de daha büyük mimarilerin katmanları içinde kullanarak, tam öğrenme hattını gösterir ve az sayıda eğitilebilir parametreyle doğru tahminler üretir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
We present a general framework for modeling and learning equivariant functions between finite dimensional semisimple real group representations, unifying constructions developed across many application areas. Our model is a linear combination of equivariant polynomial features whose coefficients are arbitrary learnable functions of invariant polynomial features. We take as features minimal homogeneous generators for the invariant algebra and the covariant module over the invariant algebra, up to prescribed degrees. We provide a Python package that automatically computes these features and fits the resulting models to training data. The algorithm for feature computation requires explicit isotypic decompositions of the input and output representations, along with explicit Clebsch-Gordan decompositions of the tensor product of irreducible representations, and achieves speedups over alternative methods in computational algebra. Numerical experiments in scientific modeling demonstrate the full learning pipeline and yield accurate predictors with few trainable parameters, using the model both for end-to-end prediction and within layers of larger architectures.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{liu2026equivariant,
title = {Equivariant Modeling with Polynomial Features via Minimal Homogeneous Generators},
author = {Michael Liaofan Liu and Joe Kileel},
journal = {arXiv preprint arXiv:2611.24896},
year = {2026},
url = {https://arxiv.org/abs/2611.24896}
}
Liu, M. L., & Kileel, J. (2026). Minimal Homojen Jeneratörler Aracılığıyla Polinom Özellikli Eşvaryant Modelleme. arXiv. https://arxiv.org/abs/2611.24896
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın