通過監督投影流形學習實現李羣嵌入的神經動力學規劃
本文提出李羣嵌入動態神經網絡（LieEDNN），利用伴隨李羣作用解決李羣與加法運算不兼容及動力學在非線性空間中演化的問題，實現穩定可學習的神經動力學，並在SE(3)上以伸縮機械臂為應用驗證。
文章情報
研究者進階
要點
- 提出LieEDNN框架，將李羣作為流形對稱性的內在表示
- 通過伴隨李羣作用實現李代數上的加法運算
- 參數化李代數和伴隨作用為線性變換，與神經網絡對齊
- 在SE(3)上驗證，應用於伸縮機械臂控制
為甚麼重要
這條新聞值得關注，因為提出LieEDNN框架，將李羣作為流形對稱性的內在表示。
技術影響
可能影響研究路線、評測方法、開源復現和後續產品化方向。
近日，研究人員提出了一種名為李羣嵌入動態神經網絡（LieEDNN）的新方法，旨在解決神經動力學在流形上的學習與穩定性問題。該方法將李羣視為流形幾何連續對稱性的內在表示，能夠利用SO(3)和SE(3)等李羣的強大表達能力解決機器人、圖形學和控制等工程領域的實際問題。
研究團隊首先通過引入伴隨李羣作用來解決兩個核心挑戰：一是李羣與加法運算不兼容，二是動力學在非線性表示空間中演化而非常規歐幾里得空間。他們利用伴隨作用誘導線性映射，轉化為權重矩陣的分塊結構，從而在作為向量空間的李代數上執行加法操作。隨後，他們參數化李代數和伴隨作用為線性變換，使得架構與神經網絡感知機對齊。這種嵌入表現為權重上的分塊流形約束，並開發了保證時變神經網絡動力學穩定性的平衡學習算法。
實驗在特定李羣SE(3)上實施，以伸縮機械臂為應用場景。該工作已被提交至arXiv（arXiv:2605.26167），目前正在審稿中。