Riepilogo Tecnico: RECON – Scoperta di Simmetrie Robuste tramite Normalizzazione Esplicita dell'Orientamento Canonico

1. Enunciato del Problema

I dati del mondo reale spesso esibiscono simmetrie specifiche dell'istanza (ad esempio, rotazioni di molecole o cifre) che non si allineano perfettamente con un gruppo di trasformazioni pre-fissato $G$. Sebbene i metodi di decomposizione classe-posa (come gli Autoencoder Invariante-Equivariante, o IE-AE) mirino a disaccoppiare gli input in caratteristiche di classe invarianti e una posa $g \in G$, essi soffrono di una limitazione critica: la rappresentazione canonica appresa (la posa di riferimento) è arbitraria e dipendente dall'addestramento.

Questa arbitrarietà porta a due problemi principali:

1. Canonici Fuori Distribuzione (OOD): La posa canonica potrebbe non corrispondere a nessuna posa naturale osservata nei dati.
2. Spostamenti Arbitrari della Distribuzione: Le distribuzioni di pose relative apprese da questi modelli sono spostate dall'orientamento canonico arbitrario, offuscando le vere distribuzioni di simmetria specifiche dell'istanza. Ciò rende difficile scoprire le simmetrie naturali dei dati o applicare efficacemente queste rappresentazioni al momento del test senza riaddestramento.

I metodi esistenti per la scoperta di simmetrie richiedono spesso supervisione, apprendono solo pattern a livello di dataset o non forniscono una distribuzione chiara e interpretabile per ogni singola istanza.

2. Metodologia: RECON

Gli autori propongono RECON (Robust Symmetry Discovery via Explicit Canonical Orientation Normalization), un framework che corregge i canonici arbitrari per produrre canonizzazioni naturali e allineate ai dati. Il metodo opera in tre fasi principali:

A. Backbone di Decomposizione Classe-Posa

RECON sfrutta metodi esistenti di decomposizione classe-posa (in particolare gli IE-AE) che mappano un input $x$ in:

• Un vettore latente invariante $z = \eta(x)$.
• Una rappresentazione canonica arbitraria $\hat{x} = \delta(z)$.
• Una trasformazione di gruppo relativa (posa) $g = \psi(x)$ che mappa $\hat{x}$ nuovamente su $x$.

B. Definizione della Classe di Equivalenza

Per scoprire simmetrie specifiche dell'istanza senza etichette, RECON definisce una classe di equivalenza $[x]$ basata sulla prossimità delle caratteristiche invarianti nello spazio latente $Z$. Oggetti con forme intrinseche simili mappano su punti vicini in $Z$, formando componenti connesse che rappresentano la stessa classe sottostante.

C. Normalizzazione dell'Orientamento Canonico

Il contributo fondamentale è la correzione dello spostamento canonico arbitrario.

1. Stima dello Spostamento: Per una data classe $[x]$, il metodo raccoglie le trasformazioni relative $\psi([x])$. Stima lo spostamento indotto dal canonico arbitrario calcolando la media di Fréchet (o una media robusta di Tukey-Fréchet per distribuzioni multimodali) di queste trasformazioni, indicata come $\hat{\Gamma}[x]$.
2. Normalizzazione: Il metodo applica una traslazione destra alle trasformazioni relative: $\psi'(x) = \psi(x) \cdot \hat{\Gamma}[x]^{-1}$.
3. Risultato: Questa operazione centra la distribuzione delle simmetrie sull'identità del gruppo $e$, recuperando efficacemente la distribuzione di posa "naturale" $\mu[x]$ dove la media di Fréchet è $e$.

D. Mappature Apprendibili per l'Inferenza

Per abilitare un'inferenza efficiente su dati non visti senza il calcolo esplicito della classe, RECON addestra due mappe apprendibili:

• $\Theta(x)$: Prevede i parametri della distribuzione di simmetria per un input.
• $\Lambda(x)$: Prevede la trasformazione di centratura (lo spostamento) per un input.
  Queste mappe sono addestrate utilizzando pseudo-etichette generate tramite il processo di normalizzazione descritto sopra.

3. Contributi Chiave

1. Scoperta di Simmetrie Specifiche dell'Istanzza: Il documento propone un metodo per scoprire distribuzioni di posa per singole istanze da dati non etichettati, andando oltre l'apprendimento di simmetrie a livello di dataset.
2. Normalizzazione dell'Orientamento Canonico: Gli autori introducono una correzione teoricamente fondata (Proposizione 3.1) che rimuove il bias dei canonici arbitrari. Dimostrano che la normalizzazione delle pose relative tramite la media empirica di Fréchet approssima la vera distribuzione di simmetria centrata sull'identità.
3. Canonizzazione Plug-and-Play al Momento del Test: Il metodo fornisce un livello che può essere collegato a qualsiasi modello pre-addestrato per infondere invarianza di gruppo senza riaddestrare il backbone.
4. Applicazioni: Il framework abilita la scoperta non supervisionata di distribuzioni di posa specifiche dell'istanza, il rilevamento di pose fuori distribuzione e miglioramenti delle prestazioni in compiti a valle.

4. Risultati Sperimentali

Gli autori validano RECON su benchmark di immagini 2D (MNIST, FashionMNIST) e su dati molecolari 3D su larga scala (GEOM-QM9).

• Recupero delle Simmetrie: RECON recupera con successo le distribuzioni di simmetria ground-truth (ad esempio, rotazioni uniformi per cifre specifiche, rotazioni Gaussiane per classi di FashionMNIST e distribuzioni Matrix-Fisher per molecole). Le visualizzazioni mostrano che RECON produce canonici eretti e allineati ai dati, mentre le baseline come IE-AE producono orientamenti arbitrari.
• Simmetrie Parziali: A differenza di metodi completamente equivarianti che collassano classi distinte (ad esempio, le cifre '6' e '9') nella stessa rappresentazione, RECON le distingue apprendendo spostamenti distinti, identificando correttamente che sono correlate da una rotazione di $180^\circ$ ma possiedono pose naturali diverse.
• Prestazioni a Valle:
  • Rilevamento OOD: RECON ottiene punteggi AUC-ROC più elevati nel rilevamento di pose fuori distribuzione rispetto alle baseline IE-AE non corrette.
  • Canonizzazione al Momento del Test: Quando applicato come livello di pre-elaborazione a modelli pre-addestrati congelati (ad esempio, ResNet18, GCN), RECON migliora significativamente l'accuratezza di classificazione su set di test ruotati.
    • Su FashionMNIST, RECON (81,96%) supera sia la baseline (57,14%) che architetture equivarianti specializzate come SE(2)-Partial G-CNNs (67,72%).
    • Su MNIST, eguaglia o si avvicina alle prestazioni di Steerable CNN completamente equivarianti (90,96% contro 94,59% per SE(2)-ESCNN) senza richiedere che il backbone sia equivariante.
    • Su GEOM-QM9, migliora le prestazioni della baseline GCN (55,92% contro 52,40%), dimostrando efficacia nei domini 3D.

5. Significato e Affermazioni

Il documento afferma che RECON affronta il problema del "canonico arbitrario" intrinseco nella decomposizione classe-posa, che in precedenza ha ostacolato l'interpretabilità e l'utilità di queste rappresentazioni. Normalizzando esplicitamente l'orientamento canonico, RECON produce canonizzazioni naturali e allineate ai dati che sono robuste e interpretabili.

Gli autori sottolineano che il loro approccio è agnostico rispetto all'architettura e senza riaddestramento per i modelli a valle. Permette ai modelli pre-addestrati di acquisire invarianza di gruppo semplicemente inserendo un livello di canonizzazione, rendendolo una soluzione pratica "plug-and-play". Il metodo è particolarmente significativo per i dati 3D (conformazioni molecolari), dove la scoperta di simmetrie è impegnativa e i metodi esistenti spesso falliscono nel gestire variazioni specifiche dell'istanza senza supervisione.

Il documento riconosce le limitazioni, notando che RECON dipende dalla qualità del backbone di decomposizione classe-posa sottostante e potrebbe avere difficoltà con la sovrapposizione di caratteristiche inter-classe in immagini naturali complesse (ad esempio, distinguere articoli di abbigliamento simili). Tuttavia, posiziona RECON come un passo fondamentale verso una scoperta di simmetrie robusta e non supervisionata e come uno strumento pratico per migliorare la robustezza dei modelli rispetto alle variazioni di posa.