Apa itu Geometric Deep Learning Semua Tentang?

Algoritma pembelajaran mendalam seperti Recurrent Neural Networks (RNN) dan Convolutional Neural Networks (CNN) telah melakukan pekerjaan yang signifikan dalam memecahkan masalah berbagai bidang seperti pengenalan suara, visi komputer, dan banyak lagi dalam beberapa tahun terakhir. Meskipun hasilnya sangat akurat, sebagian besar bekerja pada data euclidean.

Tetapi ketika datang ke Ilmu Jaringan, Fisika, Biologi, Grafik Komputer, dan Sistem Rekomendasi, kita harus berurusan dengan data non-euclidean, yaitu manifold dan grafik. Geometric Deep Learning berurusan dengan data non-euclidean ini dengan pengertian teknik pembelajaran mendalam secara keseluruhan ke manifold atau data terstruktur grafik.

Apa itu Pembelajaran Mendalam Geometris?

Dalam beberapa tahun terakhir, kami telah melihat kemajuan signifikan di bidang pembelajaran mendalam dan pembelajaran mesin. Kekuatan komputer berkembang pesat, dan data yang tersedia digabungkan dengan algoritma yang dikembangkan pada tahun 1980 – 1990 untuk aplikasi baru mereka.

Jika ada bidang yang banyak diuntungkan dari perkembangan ini adalah Pembelajaran Representasi. Pembelajaran representasi adalah bagian dari pembelajaran terawasi, dan itu juga disebut Pembelajaran Fitur. Pembelajaran fitur secara langsung menggantikan Rekayasa Fitur di banyak aplikasi. Sekadar informasi, rekayasa fitur adalah bidang yang berhubungan dengan pengembangan deskriptor dan fitur untuk melakukan pada Tugas Pembelajaran Mesin lainnya.

Salah satu contoh terbaik adalah penggunaan Convolutional Neural Networks (CNN) untuk deteksi objek, klasifikasi gambar, dan mencapai akurasi yang tinggi sehingga menetapkan patokan untuk algoritma konvensional lainnya. ImageNet mengadakan kompetisi pada tahun 2012 dan mengungguli SOTA secara substansial berdasarkan Rekayasa Fitur.

Mari kita sekarang memahami bidang yang memiliki asal yang sama dan masa depan yang berkembang, pembelajaran mendalam geometris.

Istilah pembelajaran mendalam geometrik pertama kali diistilahkan oleh Bronstein et al. dalam artikel mereka yang diterbitkan pada tahun 2017, judul artikel tersebut adalah, “Geometric Deep Learning: melampaui data euclidean”.

Ini adalah judul yang kuat yang mengatakan bahwa pembelajaran mendalam geometris mampu menerapkan pembelajaran mendalam bahkan pada data non-euclidean. Data non-euclidean adalah kumpulan data yang tidak dapat ditampung dalam ruang dua dimensi.

Biasanya, spesialisasi grafis atau mesh yang sangat luas di bidang grafis komputer untuk memvisualisasikan data non-euclidean.

Gambar di sebelah kiri menunjukkan jarak geodesik dan di sebelah kanan adalah jarak euclidean. Jala pada gambar di atas adalah wajah seseorang. Sekarang, melintasi mesh, jarak permukaan terpendek adalah jarak geodesik antara dua landmark. Sedangkan jarak yang dihitung antara dua landmark menggunakan garis lurus adalah jarak euclidean.

Jarak geodesik adalah keuntungan utama dari merepresentasikan mesh apapun dalam bentuk non-euclidean karena lebih konsekuensial untuk tugas yang dilakukan di atasnya. Bukannya kita tidak bisa memasukkan data non-euclidean ke dalam data euclidean secara inheren, tetapi yang terjadi adalah, ada biaya tinggi untuk kehilangan kinerja dan efisiensi.

Contoh utama dan penting dari data non-euclidean adalah grafik. Graf adalah suatu struktur data yang terdiri dari entitas atau node yang terhubung ke hubungan atau tepi. Grafik dapat digunakan untuk memodelkan hampir semua hal.

Nah, Anda tidak perlu memahami Graph Theory, Anda hanya perlu membacanya sedikit agar Anda bisa menggunakan software library yang dibutuhkan dalam prosesnya. Anda harus memiliki pengetahuan dasar yang sangat jelas tentang pembelajaran mendalam geometrik untuk pengenalan grafik dan teori dasarnya yang luar biasa.

Untuk data yang akan digunakan untuk memecahkan masalah berdasarkan pembelajaran mendalam geometrik, jika Anda sudah mengenali contoh yang dapat dicapai berdasarkan data yang perlu Anda buang, atau sebaliknya; maka itu adalah skenario kasus terbaik.

Baca: Jaringan saraf konvulasi

Penalaran Statistik

Yang ingin kita pahami adalah apa yang membedakan penalaran induktif dan penalaran deduktif. Ketika sampai pada penalaran deduktif, istilah umum digunakan untuk sampai pada kesimpulan tertentu atau untuk membuat klaim tertentu. Mari kita gabungkan kedua pernyataan ini untuk membentuk sebuah contoh.

“Semua perempuan mendapat nilai 10/10 dalam ujian” dan “Taylor adalah perempuan” pada akhirnya berarti bahwa “Taylor mendapat nilai 10/10 dalam ujian”. Penalaran induktif adalah sebaliknya; di sini, ide atau kesimpulan umum diambil dari istilah-istilah tertentu. Mari kita ambil contoh untuk memvisualisasikan alasannya. Jawab pertanyaan ini:

Sapi mana yang hanya menghasilkan susu umur panjang (UHT)? Jika Anda mengatakan "tidak ada", Anda termasuk di antara 21% remaja yang diwawancarai. 5% dari remaja yang diwawancarai menandai “Sapi perah”, 10% menandai “semua”, 2% dari mereka mengantri untuk “sapi betina” dan “sapi hitam putih”, dan 50% dari mereka tidak menjawab.

Baca Juga: Jaringan Saraf Berulang

Ada banyak hal yang harus dianalisis dari hasil ini, tetapi mari kita pertimbangkan pemikiran sapi Milka. Mari kita memahami kesimpulan dalam bentuk penalaran induktif dengan sudut pandang pemuda. Pertama, “Sapi perah adalah jenis khusus”, “susu UHT itu istimewa”, yang akhirnya mengarah pada “susu UHT dihasilkan oleh sapi perah”.

Apa yang bisa kita simpulkan dari ini? Bias induktif atau penalaran Induktif adalah seperangkat asumsi pelajar, yang cukup untuk menjelaskan interferensi induktif dan deduktifnya. Kita harus sangat berhati-hati saat merancang algoritma bias induktif. Seseorang dapat menggunakan interferensi induktif untuk mencapai hasil yang setara dengan inferensi deduktif.

Fakta menarik: Dari korpus matematika dalam ilmu komputer yang lebih besar, jika ada mata pelajaran yang disebut-sebut sebagai mata pelajaran yang sulit adalah Teori Grafik dalam matematika diskrit.

Namun, teori graf memungkinkan kita untuk melakukan beberapa tugas yang menarik dan memberikan wawasan yang luar biasa dengan pembelajaran yang mendalam.

Segmentasi Grafik

Segmentasi graf adalah proses mengklasifikasikan satu dan semua komponen graf seperti node (entitas), edge (hubungan). Pikirkan mobil otonom yang perlu mendapatkan pemantauan lingkungan mereka setelah interval reguler dan memprediksi apa yang akan mereka lakukan selanjutnya oleh pejalan kaki.

Biasanya, pejalan kaki manusia direpresentasikan sebagai kotak pembatas besar dalam tiga dimensi atau sebagai kerangka gerak dengan derajat lebih. Dengan segmentasi semantik tiga dimensi yang lebih cepat dan lebih baik, mobil otonom akan memiliki lebih banyak algoritma yang membuat persepsi menjadi layak.

Klasifikasi Grafik

Dalam klasifikasi graf, algoritma mendapatkan graf atau subgraf sebagai input dan menginterpretasikan satu output dari n kelas yang ditentukan memiliki nilai kepastian yang digabungkan dengan prediksi. Ini setara dengan klasifikasi citra di mana jaringan yang digunakan memiliki dua bagian utama.

Bagian penting pertama adalah ekstraktor fitur yang membuat representasi optik dari data input. Kemudian untuk membatasi regresi keluaran ke dimensi tertentu, digunakan lapisan yang terhubung penuh. Di sisi lain, lapisan softmax diperlukan untuk klasifikasi multi-kelas.

Harus Dibaca : Metode Langkah-demi-Langkah Untuk Membangun Sistem AI Anda Sendiri Hari Ini

Garis bawah

Kami telah memahami Deep Learning Geometris secara mendalam dengan menempatkannya dalam konteks Deep Learning secara keseluruhan. Kami dapat menyimpulkan bahwa pembelajaran mendalam geometris berhubungan dengan data tidak teratur secara keseluruhan, dan kami belajar tentang grafik dengan menggambarkan betapa menjanjikannya peran mereka dalam bias pembelajaran.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang teknik pembelajaran mendalam, pembelajaran mesin, lihat PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin & AI yang dirancang untuk profesional yang bekerja dan menawarkan 450+ jam pelatihan ketat, 30+ studi kasus & tugas, status Alumni IIIT-B, 5+ proyek batu penjuru praktis & bantuan pekerjaan dengan perusahaan-perusahaan top.