في عالم الذكاء الاصطناعي، تشير التطورات الأخيرة مثل نموذج Poincaré ResNet إلى الإمكانيات الثورية في تعلم التمثيلات المرئية مباشرةً في الفضاء غير الإقليدي. ومع ذلك، فإن التحسين لا يزال يواجه تحديات كبيرة بالنظر إلى طبيعة التدرجات الريمانية المعقدة، والقيود الصارمة للفضاء.

تقليديًا، تعاملت الشبكات غير الإقليدية مع التحولات المكانية لنفس الكائن على أنها مفاهيم هرمية متميزة، ما أدى إلى استخدام زائد للمعلمات وفقدان للإشارات. في هذا الإطار، نقدم شبكات الالتفاف النقاطية المعادلة (Equivariant Poincaré ResNets)، التي تمزج بين الهندسة غير الإقليدية والمجموعات المتماثلة المنفصلة مثل ($C_4$ و $D_4$).

لقد حددنا العقبات الحرجة التي تعيق تطبيق التناسق الإقليدي في الفضاء غير الإقليدي، وقمنا بطرح إعادة تشكيل خيوط آمنة هندسيًا، وعمليات التبديل المنتظمة لالتفافات الجماعات غير الإقليدية، بالإضافة إلى تطبيع منتصف نقاط Poincaré بزاوية مشتركة.

أظهرت التجارب أن تضمين التناسق المعادل يقلل بشكل كبير من مساحة التحسين، مما يسرع من عملية التقارب مع مراعاة القيود على حدود كرة Poincaré، مما يسهم أيضًا في الحفاظ على التناسق المكاني الجماعي بشكل فعّال.