Approximate Label Symmetries Improve Data Scaling
Este artículo demuestra que explotar tanto las simetrías exactas como las aproximadas de las etiquetas mejora la eficiencia en la escalabilidad de datos y la generalización de los modelos de aprendizaje automático para propiedades moleculares, con una corrección basada en el Hessiano que mitiga eficazmente los errores cuando las simetrías no son exactas.