🤖 machine learning

Group-Equivariant Poincaré Convolutional Networks

यह शोधपत्र इक्विवेरिएंट पोइनकेयर रेज़नेट्स (Equivariant Poincaré ResNets) का प्रस्ताव करता है, जो पोइनकेयर बॉल के भीतर विजुअल रिप्रेजेंटेशन सीखने की दक्षता में सुधार करने और अनुकूलन चुनौतियों (optimization challenges) को दूर करने के लिए ज्यामितीय रूप से सुरक्षित टेंसर रीशेपिंग (geometrically safe tensor reshaping) और जॉइंट-ओरिएंटेशन बैच नॉर्मलाइज़ेशन (joint-orientation batch normalization) जैसी नवीन तकनीकों के माध्यम से डिस्क्रीट सिमिट्री ग्रुप्स ( $C_4$ और $D_4$ ) को हाइपरबोलिक ज्योमेट्री के साथ एकीकृत करता है।

मूल लेखक: Aiden Durrant, Rahul Baburajan, Georgios Leontidis

प्रकाशित 2026-07-02

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aiden Durrant, Rahul Baburajan, Georgios Leontidis

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: AI को घुमावदार स्थान (Curved Space) में देखना सिखाना

कल्पना कीजिए कि आप एक कंप्यूटर को तस्वीरों में वस्तुओं को पहचानना सिखाने की कोशिश कर रहे हैं। आमतौर पर, कंप्यूटर "यूक्लिडियन स्पेस" (Euclidean space) में सीखते हैं—इसे एक सपाट, मानक ग्राफ पेपर की तरह समझें। यहाँ सब कुछ सीधा है, और दूरियों को स्केल से मापा जाता है।

हालाँकि, इस शोध पत्र के लेखक तर्क देते हैं कि कुछ डेटा (जैसे फोटो में वस्तुओं का जटिल पदानुक्रम या hierarchy) हाइपरबोलिक स्पेस (Hyperbolic space) में बेहतर तरीके से फिट होता है। आप हाइपरबोलिक स्पेस को एक विशाल, घुमावदार कटोरे (विशेष रूप से, एक पोइन्केयर बॉल/Poincaré ball) के रूप में सोच सकते हैं। इस कटोरे में, किनारे आपसे दूर की ओर मुड़ते जाते हैं। यह चीजों को एक "पेड़ जैसी संरचना" (जैसे परिवार का वंशवृक्ष या अवधारणाओं का पदानुक्रम) व्यवस्थित करने के लिए एक बेहतरीन जगह है क्योंकि इसमें सब कुछ बिना दबे या कुचले फिट करने के लिए किनारों के पास अधिक जगह मिलती है।

समस्या क्या है? कंप्यूटर को इस घुमावदार कटोरे के भीतर सीखना सिखाना अविश्वसनीय रूप से कठिन और धीमा है। यह एक भारी बैकपैक लेकर फिसलन भरी, घुमावदार सतह पर चलने की तरह है; गणित बहुत भारी है, और कंप्यूटर अक्सर रास्ता भटक जाता है या भ्रमित हो जाता है।

समस्या: कंप्यूटर "रोटेशन" (घुमाव) को नहीं समझता

लेखकों ने वर्तमान AI मॉडल में एक बड़ी अक्षमता की पहचान की है जो इस घुमावदार कटोरे का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास एक खिलौना कार है। यदि आप कार को 90 डिग्री घुमाते हैं, तो वह अभी भी वही कार है। एक समझदार इंसान इसे तुरंत समझ जाता है।

वर्तमान AI (एक अनाड़ी छात्र): यदि आप एक मानक AI को उत्तर की ओर मुख किए हुए कार दिखाते हैं, और फिर पूर्व की ओर मुख किए हुए कार दिखाते हैं, तो वह उन्हें दो पूरी तरह से अलग, असंबंधित चीजों के रूप में मानता है। उसे "उत्तर वाली कार" को शून्य से सीखना होगा, फिर "पूर्व वाली कार" को शून्य से सीखना होगा, और इसी तरह। वह एक ही चीज़ को चार बार सीखने में अपनी बहुत सारी मानसिक शक्ति (पैरामीटर्स) बर्बाद कर रहा है।
लक्ष्य: हम चाहते हैं कि AI यह समझे कि कार को घुमाना केवल एक रोटेशन है, न कि कोई नई वस्तु। गणित में, इसे इक्विवेरिएंस (Equivariance) कहा जाता है।

समाधान: इक्विवेरिएंट पोइन्केयर रेसनैट्स (Equivariant Poincaré ResNets)

लेखकों ने एक नया प्रकार का AI नेटवर्क बनाया है जो घुमावदार कटोरे (हाइपरबोलिक स्पेस) को स्मार्ट रोटेशन नियम (ग्रुप इक्विवेरिएंस) के साथ जोड़ता है। वे इसे "ग्रुप-इक्विवेरिएंट पोइन्केयर रेसनैट्स" कहते हैं।

इसे काम करने के योग्य बनाने के लिए, उन्हें तीन विशिष्ट "रुकावटों" को हल करना पड़ा जो तब आती हैं जब आप एक घुमावदार कटोरे के भीतर चीजों को घुमाने की कोशिश करते हैं:

1. "फूले हुए गुब्बारे" की समस्या (जियोमेट्रिकल रूप से सुरक्षित टेंसर अनफ्लैटनिंग)

मुद्दा: सामान्य AI में, यदि आप वस्तुओं की एक सूची को विभिन्न श्रेणियों में विभाजित करना चाहते हैं, तो आप बस सूची को विभाजित कर देते हैं। लेकिन घुमावदार कटोरे में, यदि आप डेटा को बस विभाजित करते हैं, तो डेटा का "आकार" (मैग्निट्यूड) अनियंत्रित रूप से बढ़ जाता है और कटोरे के किनारे से टकरा जाता है, जिससे गणित टूट जाता है।
समाधान: लेखकों ने एक विशेष "डिफ्लेशन" टूल (जिसे $\beta$ -स्केलिंग कहा जाता है) का आविष्कार किया। डेटा को विभाजित करने से पहले, वे इसे सावधानीपूर्वक सिकोड़ देते हैं ताकि जब वे डेटा को विभिन्न रोटेशन समूहों में विभाजित करें, तो उसके टुकड़े बिना फटे या बिना पॉप हुए कटोरे के अंदर पूरी तरह से फिट हो जाएं।

2. "ट्रैफिक डायरेक्टर" की समस्या (लेफ्ट-रेगुलर परम्यूटेशन्स)

मुद्दा: जब एक इमेज घूमती है, तो AI को यह जानने की आवश्यकता होती है कि सूचना के किस "चैनल" (या लेन) में डेटा को ले जाना है। एक सपाट दुनिया में, यह आसान है। लेकिन घुमावदार कटोरे में, डेटा को स्थानांतरित करने के नियम जटिल हैं। यदि AI केवल अनुमान लगाता है कि डेटा कहाँ भेजना है, तो वह भटक जाता है।
समाधान: उन्होंने एक सख्त ट्रैफिक मैप (जिसे लेफ्ट-रेगुलर परम्यूटेशन्स कहा जाता है) बनाया। यह मैप AI को बताता है: "यदि इमेज 90 डिग्री घूमती है, तो डेटा को लेन 1 से लेन 2 में, लेन 2 से लेन 3 में, आदि में ले जाएं।" यह सुनिश्चित करता है कि चाहे इमेज कितनी भी घूमे, AI हमेशा जानता है कि सूचना कहाँ होनी चाहिए।

3. "निष्पक्ष जज" की समस्या (जॉइंट-ओरिएंटेशन बैच नॉर्मलाइजेशन)

मुद्दा: AI नेटवर्क में डेटा को संतुलित रखने के लिए "नॉर्मलाइजेशन" नामक एक चरण होता है। आमतौर पर, AI प्रत्येक रोटेशन (उत्तर, पूर्व, दक्षिण, पश्चिम) को अलग-अलग देखता है और उन्हें संतुलित करता है।
खतरा: यदि AI उन्हें अलग-अलग संतुलित करता है, तो वह गलती से "उत्तर" के डेटा को "पूर्व" के डेटा जैसा बना सकता है, जिससे यह तथ्य मिट जाता है कि वे अलग दिशाएं हैं। यह एक ऐसे जज की तरह है जो एक लंबे व्यक्ति और एक छोटे व्यक्ति दोनों को बिल्कुल एक जैसे जूते पहनने के लिए मजबूर करता है, जिससे उनके बीच का अंतर खत्म हो जाता है।
समाधान: लेखकों ने AI को एक ग्रुप जज की तरह काम करने के लिए बनाया। प्रत्येक दिशा को अलग-अलग संतुलित करने के बजाय, यह सभी दिशाओं को एक साथ देखता है और उन्हें एक एकल टीम के रूप में संतुलित करता है। यह दिशाओं के बीच के सापेक्ष अंतर को बरकरार रखते हुए भी गणित को स्थिर रखता है।

उन्होंने क्या हासिल किया?

लेखकों ने इस नए सिस्टम का परीक्षण CIFAR-10 डेटासेट (कारों, बिल्लियों और हवाई जहाजों जैसी छोटी छवियों का एक मानक सेट) पर किया।

बेहतर सटीकता: उनके नए AI ने 88.77% सटीकता प्राप्त की, जो मानक घुमावदार-कटोरे वाले AI (76.87%) से बहुत अधिक है और मानक सपाट-दुनिया वाले AI (78.26%) से भी बेहतर है।
कम डेटा की आवश्यकता: क्योंकि AI एक ही वस्तु को विभिन्न रोटेशन में दोबारा सीखने में समय बर्बाद नहीं करता है, इसलिए इसने बहुत तेज़ी से सीखा। यहाँ तक कि जब उन्होंने इसे केवल 10% ट्रेनिंग डेटा दिया, तब भी इसने अविश्वसनीय रूप से अच्छा प्रदर्शन किया (63.77% सटीकता), जबकि पुराने मॉडल इतने कम डेटा के साथ विफल हो गए थे।
गणितीय प्रमाण: उन्होंने गणितीय रूप से सिद्ध किया कि उनका सिस्टम वास्तव में "इक्विवेरिएंट" है। यदि आप इनपुट को घुमाते हैं, तो आउटपुट पूरी तरह से अनुमानित तरीके से घूमता है, जिसमें त्रुटि लगभग शून्य है (कंप्यूटर की शुद्धता की सीमा तक)।

निष्कर्ष

यह शोध पत्र कंप्यूटर को घुमावदार, पदानुक्रमित दुनिया में देखना सिखाने का एक नया तरीका प्रस्तुत करता है। इसमें "स्मार्ट रोटेशन नियम" जोड़ने से, उन्होंने AI को एक ही चीज़ को बार-बार सीखने में ऊर्जा बर्बाद करने से रोक दिया। परिणाम स्वरूप, एक ऐसा मॉडल मिला जो प्रशिक्षित करने में तेज़ है, जिसे कम डेटा की आवश्यकता है, और जो वस्तुओं को पहचानने में बहुत बेहतर है, और यह सब उस घुमावदार स्थान के नियमों का सम्मान करते हुए किया गया है जिसमें वह रहता है।

शोध पत्र में बताई गई सीमाएँ:

यह वर्तमान में केवल विशिष्ट, डिस्क्रीट रोटेशन (जैसे एक वर्ग को 90 डिग्री घुमाना) और रिफ्लेक्शन के साथ काम करता है, न कि निरंतर (continuous) घूमने के साथ।
यह गणनात्मक रूप से भारी (computationally heavy) है और वर्तमान में बड़े डेटासेट जैसे ImageNet के बजाय छोटे डेटासेट (जैसे CIFAR-10) तक सीमित है।

तकनीकी सारांश: ग्रुप-इक्विवेरिएंट पोइन्केरे कॉन्वोल्यूशनल नेटवर्क

समस्या विवरण

हाइपरबोलिक स्पेस में डीप लर्निंग ने न्यूनतम विरूपण (distortion) के साथ पदानुक्रमित दृश्य डेटा (hierarchical visual data) को एम्बेड करने के लिए उत्कृष्ट क्षमताएं प्रदर्शित की हैं। हालांकि, वर्तमान हाइपरबोलिक विज़ुअल नेटवर्क, जैसे कि पोइन्केरे ResNet, दो महत्वपूर्ण अक्षमताओं का सामना करते हैं:

कम्प्यूटेशनल ओवरहेड: रिमानियन मैनिफोल्ड्स पर गहरे नेटवर्क को अनुकूलित करने के लिए महंगे ऑपरेशंस (जैसे, एक्सपोनेंशियल मैपिंग, फ्रेचेट मीन एस्टीमेशन) की आवश्यकता होती है और यह मैनिफोल्ड की कठोर सीमाओं द्वारा बाधित होता है।
संरचनात्मक इंडक्टिव बायस (Structural Inductive Bias) का अभाव: मानक हाइपरबोलिक नेटवर्क स्थानिक रूपांतरणों (जैसे, एक 90-डिग्री रोटेशन) को पूरी तरह से अलग पदानुक्रमित अवधारणाओं के रूप में मानते हैं। यह ऑप्टिमाइज़र को विभिन्न ओरिएंटेशन के लिए रेडंडेंट रिप्रेजेंटेशन सीखने के लिए मजबूर करता है, जिससे इनएफिशिएंट पैरामीटर उपयोग, वेनिशिंग सिग्नल और खराब सैंपल एफिशिएंसी होती है।

यूक्लिडियन स्पेस में ग्रुप-इक्विवेरिएंट कॉन्वोल्यूशनल नेटवर्क (G-CNNs) इसे सिमेट्री प्रायर्स (जैसे, $C_4$ और $D_4$ ग्रुप्स) को लागू करके हल करते हैं, लेकिन इन तंत्रों को सीधे हाइपरबोलिक स्पेस में अनुवादित करना गैर-तुच्छ (non-trivial) है। यूक्लिडियन टेंसर रीशेपिंग और कॉनकेटिनेशन का Naive अनुप्रयोग वेक्टर मैग्नीट्यूड को कृत्रिम रूप से बढ़ा देता है, जिससे फीचर्स वैध पोइन्केरे बॉल बाउंड्री से बाहर चले जाते हैं और ज्यामितीय बाधाओं को तोड़ देते हैं।

कार्यप्रणाली (Methodology)

लेखक इक्विवेरिएंट पोइन्केरे ResNets का प्रस्ताव करते हैं, जो एक फ्रेमवर्क है जो डिस्क्रीट सिमेट्री ग्रुप्स ( $C_4$ रोटेशन और $D_4$ रोटेशन/रिफ्लेक्शन) को सीधे पोइन्केरे ResNet आर्किटेक्चर में एकीकृत करता है। इसे प्राप्त करने के लिए, वे ग्रुप अलजेब्रा और हाइपरबोलिक ज्योमेट्री दोनों को संतुष्ट करने के लिए तीन मुख्य घटकों का पुनर्निर्माण करते हैं:

1. ज्यामितीय रूप से सुरक्षित टेंसर अनफ्लैटनिंग ( $\beta$ -स्केलिंग)

यूक्लिडियन नेटवर्क्स में, फीचर मैप्स को अक्सर ग्रुप चैनल्स को अलग करने के लिए फ्लैटन और रीशेप किया जाता है। हाइपरबोलिक स्पेस में, Naive कॉनकेटिनेशन मैनिफोल्ड नॉर्म्स का उल्लंघन करता है।

तंत्र: लेखक एक ज्यामितीय रूप से सुरक्षित इनवर्स $\beta$ -स्प्लिट पेश करते हैं।
प्रक्रिया:
1. कॉनकेटेड पोइन्केरे आउटपुट वेक्टर को ओरिजिन पर टेंजेंट स्पेस का उपयोग करके लॉगरिदमिक मैप ( $\log_c^0$ ) के माध्यम से मैप करें।
2. यूक्लिडियन टेंजेंट स्पेस में आयामों (dimensions) को डिकपल करें।
3. प्रारंभिक कॉनकेटिनेशन के दौरान उत्पन्न विरूपण को ठीक करने के लिए बीटा फंक्शन ( $\beta_n$ ) से प्राप्त स्केलिंग फैक्टर का उपयोग करके डिकपल्ड वेक्टर्स के मैग्नीट्यूड को बहाल करें।
4. एक्सपोनेंशियल मैप ( $\exp_c^0$ ) का उपयोग करके बहाल वेक्टर्स को वापस पोइन्केरे बॉल में प्रोजेक्ट करें।
लक्ष्य: यह सुनिश्चित करता है कि स्थानिक और ग्रुप चैनल्स को अलग करने से मैनिफोल्ड के अपेक्षित नॉर्म्स का उल्लंघन नहीं होता है या फीचर्स बाउंड्री से बाहर नहीं जाते हैं।

2. पोइन्केरे लिफ्टिंग और ग्रुप कॉन्वोल्यूशन

मानक हाइपरबोलिक कॉन्वोल्यूशन इक्विवेरेंस के लिए आवश्यक रूटिंग को हैंडल नहीं कर सकते।

लिफ्टिंग कॉन्वोल्यूशन: सीधे जाइरो-वेक्टर्स पर जटिल मोबियस ट्रांसफॉर्मेशन लागू करने के बजाय, लेखक पूरी तरह से टेंजेंट स्पेस के भीतर सिमेट्रिक फिल्टर बैंक का निर्माण करते हैं। एक सिंगल बेस फिल्टर $w$ सीखा जाता है, और आवश्यक $|G|$ फिल्टर्स को $w$ पर लागू नियत स्थानिक क्रियाओं (रोटेशन और फ्लिप्स) के माध्यम से जनरेट किया जाता है।
ग्रुप कॉन्वोल्यूशन: $G \to G$ $G \to G$ में फीचर्स को मैप करने के लिए, नेटवर्क को इनपुट ट्रांसफॉर्म होने पर शिफ्टेड ओरिएंटेशन चैनल्स में एक्टिवेशन को रूट करना चाहिए।
- लेफ्ट-रेगुलर परम्यूटेशन: लेखक इस रूटिंग को ग्रुप के इनवर्स लेफ्ट-रेगुलर रिप्रेजेंटेशन के अनुसार टेंजेंट-स्पेस वेट्स के ओरिएंटेशन एक्सिस को प्री-परम्यूट करके एनकोड करते हैं।
- सेफ फ्लैटनिंग: हाइपरबोलिक इनर प्रोडक्ट की गणना करने से पहले, संख्यात्मक अस्थिरता और NaN प्रोपेगेशन को रोकने के लिए इनपुट टेंसर को नेटिव $\beta$ -कॉनकेटिनेशन एल्गोरिदम का उपयोग करके फ्लैटन किया जाता है।
परिणाम: बेस फिल्टर के एक सिंगल ग्रेडिएंट अपडेट से सभी स्थानिक ओरिएंटेशन के लिए रिप्रेजेंटेशन अपडेट होता है।

3. जॉइंट-ओरिएंटेशन मिडपॉइंट बैच नॉर्मलाइजेशन

मानक बैच नॉर्मलाइजेशन प्रत्येक चैनल के लिए स्वतंत्र रूप से सांख्यिकी (statistics) की गणना करता है। एक इक्वीवैरिएंट नेटवर्क में, यह विनाशकारी है: यदि एक ओरिएंटेशन एक मजबूत फीचर का पता लगाता है और दूसरा नहीं, तो स्वतंत्र नॉर्मलाइजेशन उन्हें समान माध्य और विचरण (mean and variance) रखने के लिए मजबूर करेगा, जिससे नेटवर्क का किसी ऑब्जेक्ट के वास्तविक ओरिएंटेशन का ज्ञान मिट जाएगा।

तंत्र: लेखक जॉइंट-ओरिएंटेशन पोइन्केरे बैच नॉर्मलाइजेशन का प्रस्ताव करते हैं।
प्रक्रिया: इनपुट टेंसर को ग्रुप डायमेंशन को स्थानिक आयामों के साथ मर्ज करने के लिए रीशेप किया जाता है। इस विस्तारित वॉल्यूम पर एक यूनिफाइड पोइन्केरे मिडपॉइंट और वेरिएंस की गणना की जाती है।
लक्ष्य: सभी ओरिएंटेशन चैनल्स को बिल्कुल एक ही मैनिफोल्ड स्केलर द्वारा शिफ्ट और स्केल किया जाता है, जिससे विभिन्न ओरिएंटेशन के बीच सापेक्ष परिमाण अंतर बना रहता है और सख्त इक्विवेरेंस बनी रहती है।

मुख्य परिणाम

प्रस्तावित आर्किटेक्चर का मूल्यांकन CIFAR-10 डेटासेट पर एक पोइन्केरे ResNet-20 बैकबोन का उपयोग करके किया गया था, जिसमें स्थानिक डेटा ऑग्मेंटेशन को छोड़कर एक सख्त प्रोटोकॉल का पालन किया गया ताकि आर्किटेक्चरल इंडक्टिव बायस को आइसोलेट किया जा सके।

वर्गीकरण प्रदर्शन: D4-इक्विवेरिएंट पोइन्केरे ResNet ने 88.77% टॉप-1 सटीकता प्राप्त की। यह मानक पोइन्केरे बेसलाइन (76.87%) पर 11.9% एब्सोल्यूट सुधार का प्रतिनिधित्व करता है और मानक यूक्लिडियन ResNet-20 (78.26%) से बेहतर प्रदर्शन करता है।
सैंपल एफिशिएंसी: लो-डेटा रिजीम्स (1% और 5% ट्रेनिंग डेटा) में, मानक पोइन्केरे नेटवर्क गंभीर रूप से गिर गए (26.92% और 33.79%)। D4-इक्विवेरिएंट मॉडल ने केवल 10% डेटा के साथ 63.77% सटीकता बनाए रखी, जो बहुत बेहतर जनरलाइजेशन प्रदर्शित करती है।
कन्वर्जेंस: इक्वीवैरिएंट मॉडल मानक पोइन्केरे नेटवर्क की तुलना में कम एपोक्स में पीक सटीकता तक पहुंचे, जिससे कम्प्यूटेशनल ओवरहेड कम हुआ।
आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिटेक्शन: इक्वीवैरिएंट मॉडल्स ने हाइपरबोलिक ज्योमेट्री की अंतर्निहित OOD मजबूती को संरक्षित और थोड़ा सुधारा (जैसे, SVHN पर 80.72 के लिए 83.17 का AUROC)।
इक्विवेरेंस वेरिफिकेशन: लेखकों ने रिलेटिव इक्विवेरेंस एरर ( $\Delta_{eq}$ ) को मापा। मानक हाइपरबोलिक कॉन्वोल्यूशन टेस्ट में विफल रहे ( $\Delta_{eq} \approx 1.0$ ), जबकि प्रस्तावित लिफ्टिंग और ग्रुप कॉन्वोल्यूशन ने मशीन प्रिसिजन ( $\Delta_{eq} \approx 10^{-7}$ ) द्वारा सीमित त्रुटियां प्राप्त कीं, जो सिमेट्री को बनाए रखने की गणितीय पुष्टि करती हैं।

महत्व और दावे

पेपर का दावा है कि यह स्ट्रिक्ट डिस्क्रीट ग्रुप इक्विवेरेंस ( $C_4$ और $D_4$ ) को सीधे हाइपरबोलिक कॉन्वोल्यूशनल आर्किटेक्चर में एम्बेड करने वाला पहला फ्रेमवर्क प्रस्तुत करता है।

फाउंडेशनल स्टेप: यह कार्य सफलतापूर्वक मैनिफोल्ड बाधाओं का उल्लंघन किए बिना ग्रुप ओरिएंटेशन को डिकपल करके, अत्यधिक कुशल, ज्यामितीय रूप से ग्राउंडेड हाइपरबोलिक विजुअल मॉडल्स की ओर एक बुनियादी कदम स्थापित करता है।
ऑप्टिमाइजेशन स्पेस रिडक्शन: इक्विवेरेंस को एम्बेड करके, ऑप्टिमाइजेशन स्पेस को नाटकीय रूप से कम किया जाता है, जिससे कन्वर्जेंस तेज होता है और सैंपल एफिशिएंसी में सुधार होता है।
ज्यामितीय अखंडता: प्रस्तावित तंत्र (सेफ $\beta$ -स्केलिंग, लेफ्ट-रेगुलर परम्यूटेशन, और जॉइंट नॉर्मलाइजेशन) सामूहिक रूप से यह सुनिश्चित करते हैं कि गैर-यूक्लिडियन ज्यामितीय बाधाओं का सम्मान करते हुए डिस्क्रीट स्थानिक सिमेट्री को स्पष्ट रूप से बनाए रखा जाता है।

लेखक नोट करते हैं कि हालांकि यह दृष्टिकोण महत्वपूर्ण संरचनात्मक लाभ प्रदान करता है, यह डीप हाइपरबोलिक नेटवर्क्स के कम्प्यूटेशनल ओवरहेड को भी विरासत में लेता है और वर्तमान में डिस्क्रीट सिमेट्री ग्रुप्स ( $C_4$ , $D_4$ ) तक सीमित है, न कि निरंतर रूपांतरणों जैसे $SO(2)$ तक। भविष्य के कार्य में निरंतर समूहों और बड़े डेटासेट्स तक स्केलिंग का अन्वेषण करने का सुझाव दिया गया है।