几何深度学习：让模型尊重问题的对称性

01从一个简单要求开始

一幅图像平移之后，识别目标的标签通常不应改变；但目标的位置预测应随之平移。这分别对应不变性与等变性。构造模型之前先问输出属于什么空间，再决定希望它如何随输入变换。忽略这个问题，容易把应该旋转的向量误当成不变的标量。

02等变性不是数据增强的同义词

数据增强用有限样本鼓励模型学习变换规律；等变结构则通过网络设计对某类变换施加约束。两者可以互补，但约束必须符合真实任务。若外场、边界或测量仪器破坏了某种对称性，过度强制该对称性也可能丢失有用信息。

03图数据为什么需要置换一致性

图的节点编号通常是任意的。若只是改变编号，图级预测应不变，节点级预测应按同样的置换重新排序。消息传递网络通过共享局部更新和对邻居的对称聚合实现这种结构。它是否能够区分所有重要图结构，则是另一个表达能力问题。

04在科学问题中如何验证

分子、粒子和连续介质任务常涉及旋转、平移与排列结构。一个模型在随机划分数据上的误差很低，不保证它能跨尺度、跨物相或跨分布泛化。应测试对称性误差、守恒量漂移、外推范围和不确定性，而不仅报告单个平均指标。

05可复现的小实验

选取二维点集，分别让模型预测面积和有向位移。对每个输入施加随机旋转，比较两个输出的正确变换规律。然后加入一个固定方向的外场，观察原先强制旋转不变的模型何时失效。这个反例能帮助理解：物理先验要来自问题，而不是来自对称性本身的美感。

参考与延伸阅读

1. Bronstein et al.：Geometric Deep Learning ↗

本站为独立教学整理；论文案例不等于完整综述。关键结论请对照原文及其最新修订。