Michael Liaofan Liu(マイケル・リアオファン・リウ)氏とJoe Kileel(ジョー・キリール)氏の両研究者は2026年11月18日(現地時間)、論文投稿サイトarXivにおいて、有限次元半単純実群表現間の同変関数をモデル化し学習するための汎用フレームワークを発表した。このモデルは、同変多項式特徴の線形結合で構成され、その係数は不変多項式特徴の任意の学習可能関数であるとされている。
研究チームは、不変代数と不変代数上の共変モジュールの最小斉次生成子を特徴として採用し、所定の次数までこれらを活用する。彼らは、これらの特徴を自動的に計算し、結果のモデルを訓練データに適合させるPythonパッケージも提供している。
この特徴計算アルゴリズムは、入力および出力表現の明示的な等型分解と、既約表現のテンソル積の明示的なクレブシュ=ゴルダン分解を必要とする。これにより、計算代数における代替手法と比較して、処理速度の向上が達成される。
科学モデリングにおける数値実験では、この学習パイプライン全体が機能し、少ない訓練可能パラメータで高精度な予測器が生成されることを示した。このモデルは、エンドツーエンドの予測だけでなく、より大規模なアーキテクチャの層内でも使用可能である。
参考: arXiv cs.LG (アーカイブ) — 2026年11月19日 03:37 (JST)
原文ハイライト"Our model is a linear combination of equivariant polynomial features whose coefficients"
この記事をシェア