发表机构
Colorado State University; The Ohio State University; Boise State University; Cooperative Institute for Research in the Atmosphere（科罗拉多州立大学; 俄亥俄州立大学; 博伊西州立大学; 大气研究合作研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出横向池化神经网络，将最大池化推广至仿射群作用，建立等变性并推导稳定性界限，在低数据场景和热带气旋增强预测中验证了其有效性。
AI 中文摘要
许多学习任务要求对小的变换具有稳定性，同时保留对较大变换的敏感性。我们引入了横向池化神经网络，它将空间最大池化推广到仿射群作用。我们建立了对选定子群的等变性，并推导了在输入的仿射扰动下，单个池化小波系数的显式稳定性界限。在实验中，我们展示了我们的网络在低数据环境中的效用，以及用于预测热带气旋增强的效用。
英文摘要
Many learning tasks require stability to small transformations while retaining sensitivity to larger ones. We introduce \emph{transversal pooling neural networks}, which generalize spatial max pooling to affine group actions. We establish equivariance to a chosen subgroup and derive explicit stability bounds for individual pooled wavelet coefficients under affine perturbations of the input. Experimentally, we demonstrate the utility of our networks in low-data environments and for predicting tropical cyclone intensification.
