Neurale dynamica plannen met Lie-groepinbedding via gesuperviseerd projectief variëteitenleren

Onderzoekers stellen Lie-groep-ingebedde dynamische neurale netwerken (LieEDNN) voor en de bijbehorende leeralgoritmes gebaseerd op gradiëntdaling en metrische projectie op gladde variëteiten, waarbij de Lie-groep wordt behandeld als intrinsieke representatie voor continue symmetrie van variëteitgeometrie. Daarmee bereiken ze leerbare en stabiele dynamiek op de onderliggende variëteit voor algemene Lie-groepen, en kunnen ze gebruikmaken van de krachtige representatiecapaciteit van Lie-groepen.