BED（Bayesian Evidence Decoding） 任务的新型网络设计

要点	具体内容	关键技术
1. 利用等变性	BED 的离散信念状态与连续信息集都具有内在的对称结构（如旋转、平移、排列不变）。	Equivariant Networks：网络在输入经过某种对称变换后，输出也会按同样的方式变换。
2. 两类专用架构	- 离散信念状态：使用对称群（如 SnSn​、SO(3)SO(3)）的等变卷积或注意力模块；<br>- 连续信息集：采用基于 Lie 群或流形的等变层（如 Geometric Deep Learning）。	通过将输入投影到对应的“特征空间”，保持对称性。
3. 性能提升	在实验中，这些等变网络在两种场景下均显著优于传统基线（例如普通 Transformer、MLP 等）。	主要原因是模型天然捕捉了任务本身的结构信息，减少了学习负担。
4. 泛化能力	这些网络在 测试时 对更大规模、更复杂的 BED 域表现出稳健的泛化（即在样本数量或维度上扩展）。	等变性使模型不依赖于具体尺寸/形状，能自然