不变性与等变性

群作用规定哪些变换可以一致复合

群 $G$ 的元素表示允许的变换。它在输入空间 $X$ 上的作用记为 $T_g^X:X\to X$，必须满足

恒等元不改变对象，群乘法与连续施加变换一致。若 $X$ 是向量空间，线性作用常写成表示 $\rho_X(g)$，满足 $\rho_X(g_1g_2)=\rho_X(g_1)\rho_X(g_2)$。输出空间 $Y$ 可以使用不同表示 $\rho_Y$：输入是旋转后的坐标，输出可能是标量、向量或高阶张量，各自的变化规则不同。

“旋转”“平移”或“重新编号”必须带上作用对象。图节点置换同时重排节点特征和邻接矩阵；只重排特征而不重排边，就不是同一个图的重新编号。图像平移若采用循环边界、零填充或裁剪，也对应不同的空间与作用。

不变输出和等变输出回答不同任务

映射 $f:X\to Y$ 对 $G$ 不变，若

它丢弃变换产生的方向，只保留轨道上共享的信息。分类“图中是否存在环”应不依赖节点编号，图级标签常要求置换不变。映射等变，若

此时输出按规定方式同步变换。像素分割图应随输入平移，三维力向量应随坐标旋转。若输出作用是恒等映射，等变条件就退化为不变条件。

例 1：集合上的置换等变与不变计算

输入 $x=(1,3,2)$，交换第一和第三位置的置换矩阵把它变成 $Px=(2,3,1)$。逐元素映射 $f(x)=x^2$ 给出 $(1,9,4)$，而 $f(Px)=(4,9,1)=Pf(x)$，所以对该置换等变。

求和读出 $r(x)=1+3+2=6$，置换后仍为 $2+3+1=6$，所以不变。若输出固定取第一个元素，原值为一、置换后为二，不满足不变性。数值相等必须对全部允许置换成立，单个样本偶然相等不能建立结构结论。

平移等变来自共享局部规则

离散一维循环信号的平移 $T_k$ 把所有坐标统一移动 $k$ 格。共享卷积核在每个位置使用同一权重，因此

逐位置非线性也与坐标重排交换，所以卷积、逐点激活和同样平移等变层的复合仍等变。全局求和或平均再把位置轴消去，可产生平移不变输出。

例 2：循环卷积的平移核验

信号 $x=(1,2,0)$，局部规则为 $y_i=x_i+x_{i-1}$，下标按三循环。原输出为 $(1,3,2)$。把输入右移一格得 $T x=(0,1,2)$，再应用规则得到 $(2,1,3)$。

原输出右移一格也为 $T y=(2,1,3)$，两条路径一致。若使用零填充，边界处缺少循环邻居，这个三点循环群等变性不再成立；内部位置近似共享不能推出整个有限图像严格平移等变。

步幅大于一的下采样只对与步幅对齐的部分平移保持简单关系；最大池化也会受窗口边界影响。声称卷积网络“平移不变”时，应区分中间特征的等变、下采样造成的近似性质和最终读出的不变性。

旋转要求输出表示与对象类型一致

二维旋转矩阵 $R_\theta$ 作用于坐标和向量。标量温度在旋转下不变，速度向量应变为 $R_\theta v$，二阶应力张量通常按 $R_\theta A R_\theta^\mathsf T$ 变换。把所有输出都当标量会丢失方向，把标量错误旋转也没有物理意义。

例 3：向量和范数在九十度旋转下的变化

两个点向量为 $r_1=(1,0)$、$r_2=(0,2)$，它们的和为 $v=(1,2)$。逆时针旋转九十度后，$r'_1=(0,1)$、$r'_2=(-2,0)$，新和为 $v'=(-2,1)$，正好等于 $R_{90^\circ}v$，所以向量求和等变。

平方范数原为 $1^2+2^2=5$，旋转后为 $(-2)^2+1^2=5$，所以范数不变。若任务输出物体朝向，使用范数读出会永久丢掉需要的方向信息；不变性不是越多越好。

常见逐坐标ReLU与置换、平移这类坐标重排交换，但不与一般旋转表示交换。例如 $x=(-1,1)$ 经ReLU为 $(0,1)$；旋转九十度再ReLU与先ReLU再旋转通常不同。旋转等变网络需要按表示类型设计允许的非线性，不能把任意逐坐标激活插入后仍宣称等变。

兼容等变层的复合仍然等变

设 $f:X\to Y$ 对输入表示 $T^X$ 与中间表示 $T^Y$ 等变，$h:Y\to Z$ 对 $T^Y$ 与 $T^Z$ 等变，则

关键是两层交界使用同一个 $Y$ 表示。若第一层把特征声明为向量，第二层却把通道当互不相关标量，代数形状虽相同，表示语义已经断裂。残差相加也要求两支处在相同表示中；拼接则要使用直和表示。

例 4：两层置换等变后接不变读出

对三节点特征 $x=(1,2,4)$，第一层逐点乘二得 $(2,4,8)$，第二层逐点加一得 $(3,5,9)$。交换前两节点输入后，两层输出为 $(5,3,9)$，正好是原输出同样交换，故复合仍置换等变。

最后求平均得到原图读出 $(3+5+9)/3=17/3$；交换后仍为 $17/3$，于是“等变节点层加不变读出”得到不变图级映射。若最后只取节点一，读出随编号改变，整体不再不变。

消息传递的置换性质来自三项设计

消息传递层可写成

所有边共享 $M$，所有节点共享 $U$，邻居聚合使用求和、平均、最大值等对顺序不敏感的运算。节点重新编号并同步重排边后，每个节点收到的消息多重集合不变，只是输出编号同步改变，所以节点层置换等变。再对全部节点使用交换不变读出，图级输出不变。

这不表示消息传递能区分所有非同构图，也不表示忽略节点身份总是正确。若节点代表有固定语义的传感器位置，任意置换可能不是任务对称；位置、方向或类型应作为特征或通过更小的允许群表达。聚合还会把不同邻居多重集合压成同一摘要，等变保证与表达能力是两个问题。

群平均可以从任意预测器构造不变映射

对有限群，给定任意标量预测器 $h$，定义

对任意 $g_0$，集合 $\{gg_0:g\in G\}$ 仍是整个群，所以 $f(T_{g_0}x)=f(x)$。这个证明不要求 $h$ 自身不变，但推理成本乘以群大小。连续群要用积分或有限采样近似，有限角度平均不能保证任意旋转严格不变。

例 5：四次旋转预测的群平均

一个基础分类器对同一图像的零、九十、一百八十、二百七十度版本给出正类概率 $(0.8,0.6,0.9,0.7)$。四元旋转群平均为 $(0.8+0.6+0.9+0.7)/4=0.75$。

输入先旋转九十度，只会把四个待平均预测循环重排为 $(0.6,0.9,0.7,0.8)$，平均仍为 $0.75$。但四角平均只对这四个离散旋转严格不变，对四十五度没有保证；概率平均、logit平均和多数投票也定义了不同模型。

数据增强鼓励一致但不提供结构恒等式

数据增强把 $(x,y)$ 变成 $(T_gx,y)$，适用于标签应不变的任务；等变目标则需同步变换标签，例如分割mask或关键点。有限训练样本和有限优化只鼓励模型在见过的变换附近一致，不保证所有输入、所有群元素严格满足等式。插值、裁剪和传感器噪声还可能让实现的变换偏离理想群作用。

结构等变层把约束写入函数族，对任意参数都成立，常能减少需要学习的自由度。代价是限制表达：若真实任务受边界、光照方向、重力、文字阅读方向或手性影响，过大的对称群会强迫本应不同的输入得到相同或关联输出。正确做法可能是只使用子群、把破缺因素作为条件，或把严格等变和普通层组合。

对称性可以按层级而非全有全无处理

全局对称要求整个输入域在变换后仍属于同一任务，而局部共享只要求某种规则在邻域重复使用。例如有限图像的边界破坏全局平移群，但内部卷积仍可利用局部平稳性；分子在自由空间近似旋转等变，固定外场或基底后只剩保持外场的子群。把群、作用域和破缺变量分别写出，比笼统说“数据具有对称性”更可检验。

近似对称可用一致性损失度量而非硬编码恒等式。设误差

可按变换幅度、样本组和输出类型报告。误差小只说明选定度量下近似一致，不保证任务性能；误差大也可能来自变换插值或标签本就变化。若采用软约束，权重决定拟合数据与遵守对称之间的折中，需在含破缺因素的留出集上选择。

条件等变是另一种处理方式：把重力向量、相机姿态或边界法向作为输入，并让这些条件与主要对象一起变换。模型不再假装外部参照不存在，而是在完整状态上保持坐标变换的一致性。这与把方向特征固定不动却旋转其他输入不同，后者通常没有定义合法的联合群作用。

例 6：错误旋转增强如何改变标签

假设任务判断道路标志箭头是否指向上方。原图向上标签为一，旋转一百八十度后箭头向下，标签应为零。若把旋转当作标签不变增强，训练集会同时要求同一轨道上的两图都为一，直接写入矛盾监督。

若任务改成“是否含有箭头”，旋转不变才合理；若输出箭头方向，则应让二维方向标签随旋转等变。先写任务输出如何随每个变换变化，再决定不变、等变或不施加约束，不能由数据形式替代语义判断。

核验应覆盖群律、数值误差与任务边界

先检查实现的 $T_e$ 和 $T_{g_1g_2}=T_{g_1}T_{g_2}$，再用同一样本比较 $f(T_gx)$ 与 $T'_gf(x)$。报告绝对和相对等变误差，并区分浮点容差、边界处理和真正结构失败。随机抽变换只给抽样证据；小有限群可以穷举。

还要设置一个应破坏对称的反例。若模型在带绝对方向信息的任务上仍强制旋转不变，等变误差虽为零，任务却会失败。结构测试回答“代码是否遵守声明的群”，任务测试回答“声明的群是否适合问题”，两者缺一不可。

练习

练习 1：定义辨析标记完成

所属知识

群作用

难度

3/5

给出不变与等变映射的完整定义。

查看提示

分别写输入和输出作用，检查恒等元与复合。

查看解答

不变满足$f(T_g x)=f(x)$；等变满足$f(T_g x)=S_g f(x)$，且T、S都要遵守群作用。输出作用恒等时，等变退化为不变。

练习 2：置换读出标记完成

所属知识

集合

难度

3/5

判断逐点网络加三种读出的置换性质。

查看提示

逐点层只重排输出，求和消去顺序轴。

查看解答

共享逐点映射对置换等变，随后求和或平均对置换不变；固定取第一个位置依赖编号，不能作为集合不变读出。

练习 3：层复合标记完成

所属知识

表示

难度

4/5

证明兼容等变层的复合仍等变。

查看提示

把第一层等变式代入第二层，并核对中间表示相同。

查看解答

$h(f(T_g x))=h(S_g f(x))=R_g h(f(x))$，故复合等变；若两层对中间特征采用不同表示，第二个等号没有依据。

练习 4：旋转非线性标记完成

所属知识

表示边界

难度

4/5

给出ReLU破坏向量旋转等变性的反例。

查看提示

找一个含正负分量的向量，比较ReLU(Rx)和RReLU(x)。

查看解答

例如$x=(-1,1)$，九十度旋转后逐坐标ReLU与先ReLU再旋转不同；逐坐标ReLU不对一般二维旋转等变，需要按表示设计非线性。

练习 5：增强与保证标记完成

所属知识

数据增强

难度

3/5

比较数据增强与结构等变的保证。

查看提示

区分有限训练约束和对所有参数成立的结构恒等式。

查看解答

增强只在抽到的变换样本上加入损失，有限数据优化不保证处处一致；等变架构把关系写入函数族，但若任务并无该对称会产生系统偏差。

练习 6：选择输出类型标记完成

所属知识

任务语义

难度

4/5

为三个任务选择不变或等变输出并说明边界。

查看提示

先问标签在变换后应保持还是同步改变。

查看解答

物体类别可旋转不变，像素mask对平移等变，三维力对旋转按向量表示等变；边界或重力使变换不再是对称时应缩小群或加入条件。

概念关系

• 同态与群作用 提供群律、作用和表示语言。
• 线性变换 描述向量与张量表示。
• 消息传递神经网络 实现节点置换等变和图级不变读出。
• 图信号与图拉普拉斯 提供重新编号下的矩阵作用。
• 谱图方法与几何学习 连接拉普拉斯滤波与几何结构。
• 几何深度学习综合复习 比较对称性、表达和规模边界。

资源

书籍 · 2021

Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges

Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković

用于核对 A11 的不变性、等变性、群作用、谱方法和几何深度学习统一框架。

出版者或载体未在已核验来源中明确提供，登记为“暂无可核实信息”；未作推测性补写。打开官方来源

论文 · 2017

Neural Message Passing for Quantum Chemistry

Justin Gilmer, Samuel S. Schoenholz, Patrick F. Riley, Oriol Vinyals, George E. Dahl

用于核对消息、聚合、更新、读出和分子任务实验的原始定义。

打开官方来源

《Geometric Deep Learning》用于核对群作用下不变映射与等变映射的正式定义，以及卷积和图网络中的对称性约束；Gilmer 等论文用于核对置换不变聚合与图级读出的具体实现。本章每项等变结论都对应明确的群和作用，不能只因使用共享权重就宣称对任意变换等变。