Model Equivariance Auditor 用于验证已实现的神经网络模型是否正确地满足其预期的对称性（symmetries）。资料指出，即便使用了等变函数库，实现层面的 bug 仍可能破坏等变性；一个声称具有等变性但实际并不具备的模型会训练不佳并给出不一致的预测，尽早发现这些 bug 可以节省大量调试时间。
用途 该工具的核心目的是通过系统化的等变性测试来确认模型是否尊重其预期对称性，主要面向需要验证等变神经网络（equivariant neural network）实现正确性的场景。
主要能力与工作流程 该工具提供一套划分为六个步骤的审计流程，使用者可按清单跟踪进度：
- 步骤 1：收集模型与对称性规格。收集已实现的模型、预期的对称群、每个输出应为不变（invariant）还是等变（equivariant）、输入与输出空间的变换函数，并回顾设计阶段的架构规格；在测试前与用户澄清歧义。
- 步骤 2：运行数值等变性测试。使用测试实现执行端到端等变性测试：对于不变性，验证 ||f(T(x)) - f(x)|| < ε；对于等变性，验证 ||f(T(x)) - T'(f(x))|| < ε。使用多个随机输入和变换，记录误差统计。
- 步骤 3：测试单个层。若端到端测试失败，则通过逐层测试隔离问题，对每一层冻结其他层、单独测试该层的等变性，从而定位破坏等变性的层，尤其要仔细检查非线性、归一化和自定义操作。
- 步骤 4：检查梯度等变性。验证梯度也尊重等变性（对训练很重要）：在 x 和 T(x) 处计算梯度，检查梯度是否按预期方式变换。资料指出梯度 bug 会导致训练“遗忘”等变性。
- 步骤 5：识别与诊断失败。若测试失败，使用常见失败模式进行诊断，检查：非等变非线性、批归一化问题、不正确的输出变换、数值精度问题、自定义层的实现 bug，并提供具体的修复建议。
- 步骤 6：记录审计结果。使用输出模板创建审计报告，包含每项测试的通过/失败、误差量级、已识别的问题和建议，并区分精确等变性（数值精度）、近似等变性（可接受误差）和已破坏的等变性（需要修复）。
使用方式 该工具以 Python 代码模板形式提供测试实现，代码使用 PyTorch 和 numpy。主要测试函数包括：
- test_model_equivariance(model, x, input_transform, output_transform, n_tests=100, tol=1e-5)：端到端等变性测试，比较“先变换输入再应用模型”与“先应用模型再变换输出”的结果，返回平均/最大绝对误差、平均/最大相对误差及是否通过。
- test_model_invariance(model, x, transform, n_tests=100, tol=1e-5)：不变性测试，检查模型输出对变换是否不变。
- test_layer_equivariance(layer, x, input_transform, output_transform)：测试单个层。
- audit_all_layers(model, x, transforms)：逐层审计模型。
- test_gradient_equivariance(model, x, loss_fn, transform, tol=1e-4)：梯度等变性测试。
误差解释 工具提供误差阈值表：< 1e-6 为完美（float32 精度）通过；1e-6 至 1e-4 为优秀（可接受）通过；1e-4 至 1e-2 为近似等变性，需要调查；> 1e-2 为等变性已破坏，需要修复。同时说明相对误差在输出量级变化时使用，绝对误差用于与数值精度比较。
逐层检查重点 资料给出每类层的检查要点：卷积（核等变性）、非线性（应保持等变性）、归一化（常常破坏等变性）、池化（正确的聚合）、线性（权重共享模式）、注意力（置换等变性）。
常见失败模式及修复
- 非等变非线性：在等变特征上使用 ReLU、sigmoid 导致误差增大；修复为使用门控非线性、基于范数的非线性，或限制在不变特征上。
- 批归一化破坏等变性：不同朝向计算不同统计量；修复为使用 LayerNorm、GroupNorm 或等变批归一化。
- 输出变换不正确：即使恒等变换也失败；修复为核对输出变换与层输出表示匹配。
- 数值精度问题：处处存在小的非零误差；修复为测试时使用 float64，接受小容差。
- 自定义层 bug：误差集中在特定层；修复为对照等变性约束审查层实现。
- 填充/边界效应：边缘附近误差更高；修复为使用循环填充或显式处理边界。
输出 工具提供输出模板（MODEL EQUIVARIANCE AUDIT REPORT），包含模型信息、预期对称群与对称类型、端到端测试结果、逐层分析、梯度测试、已识别问题（位置、严重程度、建议修复）以及总体结论（PASS/FAIL/NEEDS_ATTENTION）和建议。
适用场景 适用于开发和验证等变神经网络（如图神经网络、群等变卷积网络等）的实现，尤其是使用等变函数库但担心实现 bug 破坏等变性的情况，用于在训练前或调试期发现并定位对称性缺陷。
限制 资料未说明该工具的收费、价格、授权方式、平台依赖版本或性能基准。文中提供的为测试代码模板与流程方法，未说明其作为独立软件包的安装方式或命令行接口。具体使用需依据实际模型、对称群与变换函数自行适配。