On the Implicit Bias of Linear Equivariant Steerable Networks

要約

タイトル：線形同変ステアラブルネットワークの暗黙的バイアスについての研究
要約：
– 研究対象はグループ不変な二値分類の線形同変ステアラブルネットワークによる勾配フローの暗黙的バイアス
– パラメーター化された予測器は、入力グループアクションで定義される最大マージンを持つ一意のグループ不変分類器方向に収束することが明らかになった
– 入力表現に対するユニタリー前提条件の下で、ステアラブルネットワークとデータ拡張との同等性が確立された
– さらに、ステアラブルネットワークは非不変性の対応物よりもマージンと汎化バウンドが向上することが示された

要約(オリジナル)

We study the implicit bias of gradient flow on linear equivariant steerable networks in group-invariant binary classification. Our findings reveal that the parameterized predictor converges in direction to the unique group-invariant classifier with a maximum margin defined by the input group action. Under a unitary assumption on the input representation, we establish the equivalence between steerable networks and data augmentation. Furthermore, we demonstrate the improved margin and generalization bound of steerable networks over their non-invariant counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI