SEIS: Subspace-basierte Scores für Equivariance & Invariance Repräsentationen
Neurale Netzwerke müssen nicht nur Eingaben korrekt klassifizieren, sondern auch deren räumliche Struktur bewahren. Ein neues Verfahren namens SEIS (Subspace-based Equivariance and Invariance Scores) liefert dafür ein präzises Messinstrument, das die interne Organisation von Features unter geometrischen Transformationen analysiert, ohne auf Labels oder explizite Transformationsdefinitionen angewiesen zu sein.
