본 연구는 기하학적 딥러닝에서 대칭성이 데이터 복잡도를 줄이는 효과를 실험적으로 측정합니다.
그룹 크기와 작업 난이도를 분리하는 상대적 교환 비율 추정법을 개발하여, C_n 대칭 작업에서 데이터 요구량을 평가했습니다.
잘못된 대칭성을 적용했을 때 모델 성능이 오히려 저하되는 현상을 발견했으며, 이는 대칭성 불일치가 해로운 영향을 미침을 시사합니다.
출력 풀링 아키텍처에서 증강과 테스트 시간 궤도 평균화가 정확히 대칭성을 보장한다는 수학적 결과를 제시했습니다.