AI guides

ICLR 2026 | SEINT:高效的跨空间刚体不变度量

By 机器之心1 viewsSource: 机器之心
ICLR 2026 | SEINT:高效的跨空间刚体不变度量

本文提出一种具有 SE(p) 不变传输性质的度量 SEINT:通过构造无需训练的 SE(p) 不变表示,将高维结构信息压缩为可用于 Optimal Transport (OT) 对齐的一维表征,从而在保持不变性与严格度量性质的同时显著提升效率。

The full text has not been translated yet. The Chinese original is shown below.

本文第一作者林俊一,共同第一作者薛敦耀来自中国人民大学。通讯作者为中国人民大学许洪腾副教授与孟澄助理教授。其他作者还包括来自北京理工大学的虞俊副教授。

在衡量3D 点云、高分子构型等结构性数据之间的距离关系时,一个关键要求是对刚体/等距变换保持不变:即对样本施加旋转、平移后,分布间距离不应改变。本文将这一性质记为SE(p) 不变性。

但要同时满足SE(p) 不变性、严格的度量(Metric)性质,并具备高效且可扩展的计算,现有方法往往难以兼顾:要么需要显式求解几何对齐或引入复杂优化,计算开销高;要么计算更高效,却难以满足严格的度量性质,从而削弱其作为通用距离的理论保证与下游适用性。

为此,本文提出一种具有 SE(p) 不变传输性质的度量 SEINT:通过构造无需训练的 SE(p) 不变表示,将高维结构信息压缩为可用于 Optimal Transport (OT) 对齐的一维表征,从而在保持不变性与严格度量性质的同时显著提升效率。

文章配图

  • 代码地址:https://github.com/junyilin559/SEINT
  • 论文地址:https://openreview.net/forum?id=oyxExc7TEl

要点速览

  • 新表征:本文创新性地提出了两种等距不变的分布表征(PTD / DcPTD),无需训练即可将任意维度空间中的分布映射为一维表示。

  • 新度量:基于上述一维表示构建由一维 OT 对齐实现的 SE(p) 不变距离SEINT,该距离可被严格证明为在范数空间等距类上的度量。

文章配图

  • 跨空间:除旋转/平移不变外,SEINT 还能比较任意等距类分布,因此支持跨空间分布距离的定义。

  • 可拓展:SEINT 方法目前已在范数空间得到了广泛应用,其形式还可进一步拓展到任意度量空间中。

最优传输(OT)在分布匹配与对齐任务中应用广泛,也是衡量分布差异的核心工具之一。但当我们希望一个距离同时满足:SE(p)(旋转 + 平移)不变、严格的度量性质(Metric)、以及可扩展的高效计算时,现有方法往往难以兼顾这些方面。通常来说,强调度量性与等距不变性的内蕴式(基于关系结构)方法计算代价较高;而更快的外蕴式/表征式对齐虽高效,却难同时保证这些理论性质。

文章配图

三类 SE(p) 不变的对齐策略:外蕴式、内蕴式与表征式

文章配图

SEINT在计算/度量/跨空间指标上表现优异

文章配图

文章配图

其中,inf 表示在两侧分布间寻找最优耦合(对齐方式),而 sup 则表示在候选参考分布中选择最能区分两者差异的「最不利」参考,以减弱参考选择的偶然性,并支撑其 Metric/Isometry 相关性质。SEINT 方法流程图如下。

文章配图

SEINT 的数值实现流程示意图。 给定来自两个空间的分布,先取样本范数;再结合随机一维参考 z 计算 PTD,并与距离矩阵卷积得到 DcPTD;最后计算两侧 DcPTD 的一维 Wasserstein 距离,得到 SEINT。

文章配图

实验

本文从作为度量指标(Distance Metric)的几何性质和作为正则化项(Regularizer)的下游应用两个核心维度出发,与现有的多个 OT 基线方法进行了全面比较。

  • 严格的 SE(p) 不变性与极高的计算效率

文章配图
文章配图

此外,本文通过多维缩放(MDS)展示了不同度量方法在旋转干扰下的表现。如下图所示,在对原始点云施加随机旋转后,只有 SEINT、GW 和 AE 能够完美保留数据原本的闭环几何拓扑结构,而 SW 和 SGW 的结构则完全崩塌。这一直观结果再次强有力地证明了 SEINT 在处理几何对称性方面的优越性,且其计算代价远低于 GW。

文章配图

  • 跨空间比较能力与高维稳定性

本文进一步评估了 SEINT 在跨空间(Cross-Space)场景下的表现。在 Horse-Gallop 实验中,SEINT 成功通过比较 2D 投影与 3D 参考空间,准确捕捉到了马匹奔跑的步态周期,展现了比 EGW 更强的几何结构感知力。

文章配图

此外,在高维混合高斯数据的测试中,SEINT 克服了常见的「维度灾难」,随着分布差异的增大,其距离度量保持了平滑且单调的增长趋势,表现出优于其他 OT 方法的数值稳定性。

文章配图

  • 下游任务 SOTA:3D 分子生成

为了验证其实用价值,本文将 SEINT 作为正则化项集成到主流的扩散生成模型(EDM 和 UniGEM)中,在 QM9 和 GEOM-Drugs 数据集上进行了预训练和微调实验。下表结果显示,引入 SEINT 显著提升了生成分子的原子稳定性(Atom Stability)和分子稳定性(Mol Stability)。特别是在 UniGEM 模型中,SEINT 帮助模型在关键指标上达到了State-of-the-Art (SOTA)的性能,证明了其能够有效引导模型学习正确的几何结构。

文章配图

文章配图

总结

本文提出了一种新的表征路径:引入了两种无需训练的无监督表征技术(PTD 与 DcPTD),直接生成具有 SE(p) 不变性的 1D 特征,为构建不变性度量奠定基础。

本文奠定了坚实的度量基础:从理论上证明了 SEINT 是赋范空间等距类上的一个严格度量,该性质保证了数据嵌入的 SE(p) 不变性,并支持跨空间的分布比较。

文章配图

文章来自于微信公众号 "机器之心",作者 "机器之心"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)