Supervisor: Bjørk Hammer

Equivariante neurale netværk (ENN) er en nyere gren inden for Machine Learning, hvor man forsøger at indbygge matematiske symmetrier som translation, rotation, permutation og spejling, der ofte findes i fysisk data, direkte ind i netværkets struktur. I mit studenterkollokvium præsenterer jeg ENN med fokus på, hvordan equivarianskravet reducerer frihedsgraderne for vægtmatricerne A der forbinder lineære lag i et neuralt netværk. Som teoretisk grundlag introduceres begreberne grupper, symmetrier og grupperepræsentationer, hvorefter jeg skitserer implementeringen af A for enkelte grupper, produktgrupper og data af forskellig rank. Afslutningsvis undersøges det, hvordan equivariante netværk præsterer i forhold til klassiske neurale netværk.