Articles sur ESNN

L'article propose un réseau neuronal à couche équivariante (ESNN). Partant du principe du maintien des caractéristiques scalaires/vecteurs de premier ordre et de l'équivariance euclidienne stricte, il augmente la flexibilité géométrique en apprenant la transmission des valeurs matricielles entre les caractéristiques vectorielles adjacentes. La théorie décrit la forme de transmission lorsque le déplacement relatif est utilisé comme entrée covariante. Par rapport au précédent GNN équivariant de premier ordre, qui limitait la transformation vectorielle aux opérations fixes, ESNN a déplacé la flexibilité vers la transmission de périphérie, offrant ainsi une nouvelle direction architecturale pour l'apprentissage profond géométrique.