Neue Kernels für equivariant CNNs: Von 2D‑Rotationen bis Lorentz

In einer kürzlich veröffentlichten Arbeit haben Forscher einen neuen Ansatz zur Berechnung steierbarer Kerne in equivariant Convolutional Neural Networks vorgestellt. Der Fokus liegt dabei auf einer einfachen, aber leistungsfähigen Basis, die sowohl für reelle als auch für komplexe Darstellungen funktioniert und sich auf verschiedene Symmetriegruppen, von 2‑D‑Rotationen bis hin zur Lorentz‑Gruppe, anwenden lässt.

Der entscheidende Vorteil dieser Methode besteht darin, dass sie die aufwendige Berechnung von Clebsch‑Gordan‑Koeffizienten – ein herkömmlicher Schritt bei der Konstruktion solcher Netzwerke – vollständig umgeht. Stattdessen arbeitet sie direkt mit den Repräsentationen der Eingangs‑ und Ausgangsfeature‑Maps und liefert sofort einsatzbereite Basisfunktionen für beliebige Tensor‑Typen.

Die Technik beruht darauf, zunächst eine Basis von Kerneln zu bestimmen, die an einem festen Punkt \(x_0\) eine vereinfachte Invarianz erfüllen. Anschließend wird diese Basis mithilfe der Steerability‑Gleichung auf beliebige Punkte \(x = g \cdot x_0\) verschoben. Dieses Vorgehen, das bereits in der Literatur angedeutet, aber bislang nicht so ausführlich behandelt wurde, wird hier mit minimalem technischem Aufwand erklärt, sodass es auch für ein breiteres Publikum nachvollziehbar ist.

Durch die Vereinfachung der Implementierung eröffnet dieser Ansatz neue Möglichkeiten für die Verarbeitung symmetrischer Daten in Bereichen wie Computer Vision, Physik‑inspirierte Modellierung und mehr. Die Arbeit liefert damit ein wertvolles Werkzeug für die Entwicklung effizienterer und flexiblerer equivariant CNN‑Architekturen.