An Easy Guide to Gauge Equivariant Convolutional Networks

几何深度学习是一个非常令人兴奋的新领域，但它的数学正在慢慢地进入代数拓扑和理论物理领域。 这篇论文尤其如此(https://arxiv.org/abs/1902.04615),
我想在这篇文章中探讨。 本文使用规范理论的语言，它位于物理学中任何喜欢同时使用“量子”和“场”这两个词的中心。 它有望直观地理解规范理论的基础知识，我必须说，它提供并且可能是迄今为止我见过的最好的介绍。 但它仍然是一个困难的主题。

我想在这里做的是给出纯粹直观的理解，没有数学。 虽然我没有完全按照纸张的结构，你仍然可以并排打开纸张，因为我将尝试突出所有重要的术语。

在下文中，我将假设你知道卷积神经网络（CNN）是如何工作的，但不知道它们与流形有什么关系。 让我们开始吧！

Manifolds

“Manifold”是一件简单的事情。 您看到的每个二维表面都可以被认为是一个“Manifolds”。 球体表面，立方体表面，所有“Manifolds”。 但它不仅限于二维，它甚至不限于可以想象的东西。 曲线是一种Manifolds。 4-D时空是一个多方面。 它很一般，描述了一个空间。 但是让我们关注二维表面。 最简单的表面是平面，例