機械学習モデルの入力にリー群の作用がある場合、モデルが学習過程で無視・破棄する情報について、数学的フレームワークを開発した研究論文です。この研究は、モデルが見落とし、意図せず消去している対称性の情報を可視化し、活用する方法を示しています。 研究では、リー群Gの表現πに対して、学習関数f:V→ℝが検出できない対称性を測定する2つの数学的対象を定義しています。第一は「ヌル・ファイバー」で、これはある点x∈Vにおいて、その逆作用がfによって検出不可能な群元素の集合N_G(f,x)です。この集合がxに依存しない場合、それはfが不変である最大部分群である「安定化群」Stab_G(f)と一致します。滑らかな関数に対しては、プリイメージ定理によって、ニューラルネットワークのアーキテクチャに関わらず、汎用的な入力におけるヌル・ファイバーはdim G - 1以上の次元を持つことが保証されています。 応用面では、ヌル・ファイバー要素はニュートン法によって、わずか数回の勾配計算と同等の計算コストで効率的に計算可能であることを示しました。このフレームワークはデータのマスキング（個人情報の隠匿）、モデル・フィンガープリント（モデルの一意性認証）、プライバシー保護計算に応用可能です。 実験では、SO(3)群作用下での分子特性予測とメビウス群PSL(2,ℂ)作用下での球面画像分類で検証されています。重要な点として、このフレームワークは古典的ニューラルネットワークと変分量子回路の両方に均一に適用できることが示されており、対称性を持つ機械学習モデル全般のプライバシーと安全性向上に貢献する可能性があります。