知识卡片：Generator-Aligned Representation Interfaces for Diagnostic Soft Equivariance

一句话结论：GARI 是一种表示级设计原则，通过向通用序列主干暴露选定的变换生成器并量化软等变残差，实现了跨模态的变换一致性，而无需为每种对称性重新设计网络结构。

事件概述或研究问题：精确等变架构通常将预设群作用编码进专用算子，这限制了其与通用主干网络的重用以及跨数据模态的迁移。本文提出 Generator-Aligned Representation Interface (GARI)，旨在以可诊断的方式实现软等变性，使通用序列主干能够学习并利用变换生成器结构，并定义了 Direct Equivariance Error (DEE) 作为诊断指标。

方法/产品要点：

• GARI 设计原则：通过对齐的规范视图和生成器诱导视图，将选定的变换生成器暴露给通用序列主干。
• 软等变形式化：基于声明的数据和变换分布，定义了探针特定的软等变残差，区分了表示一致性、任务鲁棒性和精确等变性。
• GARI-Net 实例化：构建生成器索引的多条流（generator-indexed streams），将它们转换为公共交互框架，使用共享参数处理，修复排序导致的上下文失配，允许跨流信息交换，并通过流间差异（inter-stream discrepancy）进行聚合。
• 诊断指标 DEE：在冻结检查点下，针对已知 token 或体素动作，直接计算预设表示关系的等变误差，用于诊断模型行为。

主要结果或产业意义：在基因组序列（序列反转）、图像（平面旋转与反射）和三维点云（受控轴向迁移）三种模态上的实验表明，同一接口原则支持任务相关的变换一致性，并能泛化到声明的保留探针，无需对序列主干进行群特定的重新设计。GARI 因此可作为硬等变架构的可移植补充，使生成器结构可访问、可学习、可测量。

为什么重要：GARI 提供了一种软等变方法，在不修改通用骨干网络的前提下，通过表示接口引入变换一致性，降低了为不同对称性定制网络架构的开发成本。同时，DEE 指标使得等变行为可量化诊断，便于调试和验证模型的变换鲁棒性。

局限与不确定性：

• 有限探针证据（finite-probe evidence）与连续群上的精确等变认证有本质区别，GARI 不能提供绝对精确的等变保证。
• 生成器的选择依赖先验知识；对于未知或复杂变换的选择方法未在文中明确讨论（待核实）。
• 与现有精确等变架构（如基于群卷积的网络）在计算效率和性能上的直接对比未在摘要中给出（待核实）。

可用于图书/PPT/简报的角度：

• 对比视角：展示“软等变”与“硬等变”架构的设计哲学差异，突出 GARI 的模块化和可诊断优势。
• 跨模态案例：以基因组、图像、点云三类数据为例，说明单一接口原则如何适用于不同输入格式。
• 诊断工具亮点：强调 DEE 作为冻结检查点的诊断价值，类似“等变行为的单元测试”。

原始材料：

• 英文标题：Generator-Aligned Representation Interfaces for Diagnostic Soft Equivariance
• 关键词：Generator-Aligned Representation Interface, GARI, soft equivariance, representation learning, equivariant networks
• 来源：arXiv:2607.25988v1 (2026-07-28), URL: https://arxiv.org/abs/2607.25988v1