Zespół badaczy przedstawił formalny framework do analizy informacji odrzucanej przez modele uczenia maszynowego, których dane posiadają strukturę grupy Liego. Podstawowym pojęciem są null fibers - zbiory transformacji symetrii, które model nie potrafi rozróżnić, pozostając dla nich niezmiennym. Dla danej reprezentacji grupy G oraz wyuczonej funkcji f, null fiber w punkcie x zawiera wszystkie elementy grupy, których działanie nie zmienia wartości f(x). Naukowcy pokazali, że te obiekty mają wymiar co najmniej dim G - 1 w generycznych punktach wejścia, niezależnie od architektury sieci.
Rygorystycze podejście opiera się na twierdzeniu Petera-Weyla dla grup zwartych, które umożliwia spektralną charakteryzację null fibers poprzez współczynniki Fouriera funkcji f. Co ważne, naukowcy opracowali efektywny algorytm oparty na iteracji Newtona na orbit map, którego koszt wynosi zaledwie kilka obliczeń gradientu. Metoda ta jest skalowalna i praktyczna do zastosowania.
Zastosowania obejmują trzy kluczowe obszary: maskowanie danych poprzez ukrywanie wrażliwych transformacji symetrii, fingerprinting modeli umożliwiający identyfikację i weryfikację systemów AI, oraz obliczenia chroniące prywatność. Badania eksperymentalne przetestowano na predykcji własności molekularnych pod działaniem grupy SO(3) oraz klasyfikacji obrazów sferycznych pod grupą Möbiusa PSL(2, C). Choć artykuł nie ujawnia pełnych wyników praktycznych, framework teoretyczny obiecuje znaczący postęp w bezpieczeństwie i przejrzystości modeli głębokich, stosując się zarówno do klasycznych sieci neuronowych, jak i modeli wariacyjnych.