대칭성이 데이터 효율성에 미치는 영향

기하학적 딥러닝(Geometric Deep Learning)에서 **대칭성(Equivariance)**이 샘플 복잡도를 그룹 크기 $|G|$만큼 줄여준다는 이론적 예측을 실제 스케일링 법칙으로 측정한 연구 결과이다.

연구 결과, **데이터 교환율($eta_{diff}$)**은 약 1.28로 측정되어 이론적 예측치인 1.0과 일치하는 경향을 보였다. 이는 등변성 모델이 일반 모델 대비 데이터 요구량을 효과적으로 줄여줌을 입증한다.

주요 발견 사항은 다음과 같다:

• 잘못된 대칭성 적용의 유해성: 모델에 잘못된 순환 대칭성(Wrong cyclic symmetry)을 적용할 경우, 제약이 없는 모델보다 성능이 유의미하게 저하된다. 이는 대칭성 불일치가 단순한 무효화를 넘어 모델 성능에 직접적인 해를 끼칠 수 있음을 보여준다.
• 아키텍처와 증강의 관계: 출력 풀링(Output-pooling) 구조에서는 데이터 증강과 테스트 시간 오빗 평균화(Test-time orbit averaging)를 결합하는 것만으로도 수학적으로 완벽한 등변성을 구현할 수 있다.

연구는 추정 방식의 한계와 재현성 문제 등 불확실한 부분까지 투명하게 밝히며, 특히 '잘못된 그룹 적용 시의 성능 저하'를 가장 강건한 결과로 제시했다.