【人工智能数学基础】——李群与机器学习：对称性引导的特征学习革命

Sonal_Lynn

于 2025-04-18 23:04:06 发布

阅读量637

点赞数 14

分类专栏：人工智能专题文章标签：人工智能学习机器学习深度学习算法神经网络 python

本文链接：https://blog.csdn.net/Conan_0728/article/details/147341826

版权

🌟 前言：李群——AI世界的"对称性语法"

晶体学家通过空间群分类物质结构，李群理论通过连续对称性解析数据本质。这个源自19世纪Sophus Lie的数学理论，以"无穷小生成元"的哲学重塑了几何深度学习的范式。本文将带您深入李代数的微分结构，用代码重现等变特征的提取奇迹，揭示如何通过指数映射在数据流形上构建对称性的导航罗盘。

李群定义：
光滑流形+群结构，满足乘法和逆运算的光滑性
$\forall g, h \in G, \ (g, h) \mapsto gh^{-1}$ 光滑

李代数结构：
$[\cdot, \cdot]: \mathfrak{g} \times \mathfrak{g} \rightarrow \mathfrak{g}$ 满足雅可比恒等式

指数映射：
$\exp: \mathfrak{g} \rightarrow G$ 将无穷小生成元转换为有限变换

群作用定义：
$\rho: G \times X \rightarrow X$ $\rho(gh, x) = \rho(g, \rho(h, x))$

等变层设计：
$f(\rho_V(g)x) = \rho_W(g)f(x) \quad \forall g \in G$

import torch
import e2cnn.nn as enn

# 定义SE(2)群作用（旋转+平移）
group = e2cnn.groups.SE2G