Technion - Israel Institute of Technology（以色列理工学院）

Quantitative Approximation Rates for Group Equivariant Learning

群等变学习中的定量逼近速率

Jonathan W. Siegel, Snir Hordan, Hannah Lawrence, Ali Syed, Nadav Dym

机构 * Department of Mathematics（数学系） ； Texas A&M University（德克萨斯A&M大学） ； Faculty of Mathematics（数学系） ； Technion- Israel Institute of Technology（技术学院-以色列理工学院） ； Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文研究群等变学习中ReLU网络对α-霍尔德函数的逼近速率，证明等变架构与普通MLP在表达能力上相当，无需牺牲逼近能力。

Adaptive Canonicalization with Application to Invariant Anisotropic Geometric Networks

自适应规范化解析及其在不变各向异性几何网络中的应用

Ya-Wei Eileen Lin, Ron Levie

机构 * Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学，计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Technion - Israel Institute of Technology, Faculty of Mathematics（技术学院-以色列理工学院，数学学院） 纠错

AI总结 本文提出自适应规范化解析，通过输入和网络共同决定规范形式，解决谱图神经网络的本征基模糊性和点云旋转对称性问题，实验表明其优于数据增强、标准规范化解析和等变架构。

Maximal Brain Damage Without Data or Optimization: Disrupting Neural Networks via Sign-Bit Flips

最大脑损伤无数据或优化：通过符号位翻转破坏神经网络

Ido Galil, Moshe Kimhi, Ran El-Yaniv

机构 * NVIDIA ； Technion（技术学院） ； IBM Research（IBM研究院） 纠错

AI总结 研究通过符号位翻转破坏神经网络，展示了在多个领域中的脆弱性，并提出数据和优化无关的DNL方法及改进版本1P-DNL，提出保护关键符号位的防御策略。

Comments 10 pages, 5 figures. Accepted as a Featured Paper at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (TMLR), 2026