将神经网络对称化理论落地到具体函数与随机核，打通抽象范畴与实际应用的桥梁。

Neural Network Symmetrisation in Concrete Settings

• 从抽象马尔可夫范畴推导出具体对称化方法
• 实现确定性函数与马尔可夫核的对称化构造
• 为模型结构设计提供理论支撑，适合形式化研究者

Cornish（2024）在马尔可夫范畴的抽象框架下提出了神经网络对称化的通用理论。本文对该理论进行高层次综述，并探讨其在确定性函数与马尔可夫核的具体对称化中的实际意义。研究揭示了如何在具体数学结构中实现对称性约束，为神经网络的可解释性与结构优化提供新的形式化路径。

原文摘要 · Abstract (English)

Cornish (2024) recently gave a general theory of neural network symmetrisation in the abstract context of Markov categories. We give a high-level overview of these results, and their concrete implications for the symmetrisation of deterministic functions and of Markov kernels.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。