Che cos'è l'apprendimento profondo geometrico?

Gli algoritmi di deep learning come Recurrent Neural Networks (RNN) e Convolutional Neural Networks (CNN) hanno svolto un lavoro significativo nella risoluzione di problemi di vari campi come il riconoscimento vocale, la visione artificiale e molto altro negli ultimi anni. Sebbene i risultati avessero una grande precisione, funzionava principalmente su dati euclidei.

Ma quando si tratta di Network Science, Physics, Biology, Computer Graphics e Recommender Systems, abbiamo a che fare con dati non euclidei, cioè varietà e grafici. L'apprendimento profondo geometrico si occupa di questi dati non euclidei con un senso delle tecniche di apprendimento profondo nel loro insieme ai dati molteplici o strutturati a grafo.

Che cos'è l'apprendimento profondo geometrico?

Negli ultimi anni abbiamo assistito a progressi significativi nel campo del deep learning e del machine learning. La potenza del computer sta crescendo rapidamente ei dati disponibili sono combinati con gli algoritmi che sono stati sviluppati nel 1980-1990 per le loro nuove applicazioni.

Se c'è un'area che ha beneficiato molto di questo sviluppo sarebbe l'apprendimento della rappresentazione. L'apprendimento della rappresentazione fa parte dell'apprendimento supervisionato ed è anche chiamato Feature Learning. L'apprendimento delle funzionalità sostituisce direttamente l'ingegneria delle funzionalità in molte applicazioni. Per tua informazione, l'ingegneria delle funzionalità è un campo che si occupa dello sviluppo di descrittori e funzionalità per l'esecuzione su altre attività di Machine Learning.

Uno dei migliori esempi è l'uso delle reti neurali convoluzionali (CNN) per il rilevamento di oggetti, la classificazione delle immagini e il raggiungimento di una grande precisione, stabilendo così un punto di riferimento per gli altri algoritmi convenzionali. ImageNet ha condotto una competizione nel 2012 e ha superato una SOTA sostanzialmente basata su Feature Engineering.

Entriamo ora nella comprensione del campo che ha un'origine simile e un futuro fiorente, il deep learning geometrico.

Il termine apprendimento profondo geometrico è stato definito per la prima volta da Bronstein et al. nel loro articolo pubblicato nel 2017, il titolo dell'articolo era "Apprendimento profondo geometrico: andare oltre i dati euclidei".

È un titolo forte che dice che il deep learning geometrico è in grado di utilizzare il deep learning anche su dati non euclidei. I dati non euclidei sono un insieme di dati che non possono stare in uno spazio bidimensionale.

Solitamente, una specializzazione grafica o una mesh molto estesa nel campo della computer grafica per visualizzare i dati non euclidei.

La figura a sinistra indica la distanza geodetica ea destra la distanza euclidea. La mesh nella figura sopra è il volto di una persona. Ora, attraverso la mesh, la distanza superficiale più breve è la distanza geodetica tra due punti di riferimento. Mentre la distanza calcolata tra due punti di riferimento utilizzando una linea retta è la distanza euclidea.

La distanza geodetica è il principale vantaggio di rappresentare qualsiasi mesh in una forma non euclidea in quanto è più consequenziale per i compiti su di essa eseguiti. Non è che non possiamo inserire i dati non euclidei in dati euclidei intrinsecamente, ma ciò che accade è che la perdita di prestazioni ed efficienza comporta un costo elevato.

Un primo e importante esempio di dati non euclidei sarebbe un grafico. Un grafo è una tale struttura di dati che consiste di entità o nodi che sono collegati alle relazioni o agli archi. Un grafico può essere utilizzato per modellare quasi ogni cosa.

Bene, non hai bisogno di una comprensione della teoria dei grafi, devi solo leggere un po' su di essa in modo da poter utilizzare le librerie software necessarie nel processo. Dovresti avere una conoscenza di base cristallina dell'apprendimento profondo geometrico per un'eccezionale introduzione al grafo e alla sua teoria fondamentale.

Affinché i dati possano essere utilizzati per risolvere il problema basato sul deep learning geometrico, se riconosci già le istanze realizzabili in base ai dati che devi smaltire, o viceversa; allora è uno scenario migliore.

Leggi: Rete neurale convulazionale

Ragionamento statistico

Quello che vogliamo capire è cosa differenzia il ragionamento induttivo e il ragionamento deduttivo. Quando si tratta di ragionamento deduttivo, i termini generali sono usati per giungere a una conclusione specifica o per avanzare un'affermazione particolare. Uniamo entrambe queste affermazioni per formare un esempio.

"Tutte le ragazze hanno ottenuto un punteggio di 10/10 nel test" e "Taylor è una ragazza" alla fine significa che "Taylor ha ottenuto un punteggio di 10/10 nel test". Il ragionamento induttivo è viceversa; qui, un'idea generale o una conclusione è tratta da termini particolari. Facciamo un esempio per visualizzare il ragionamento. Rispondi a questa domanda:

Quale mucca produce solo latte a lunga conservazione (UHT)? Se dici “nessuno”, sei tra il 21% dei giovani intervistati. Il 5% dei giovani intervistati ha contrassegnato "mucche da latte", il 10% ha contrassegnato "tutti", il 2% si è schierato per "vacche femmine" e "vacche bianche e nere" e il 50% non ha avuto risposta.

Leggi anche: Rete neurale ricorrente

C'è molto da analizzare da questo risultato, ma consideriamo il pensiero delle mucche Milka. Comprendiamo la conclusione in forma di ragionamento induttivo con il punto di vista dei giovani. In primo luogo, "La vacca Milka è una razza speciale", "Il latte UHT è speciale", che alla fine porta a "Il latte UHT è prodotto da una vacca Milka".

Cosa possiamo riassumere da questo? Il bias induttivo o il ragionamento induttivo è un insieme di presupposti dello studente, che è sufficiente a spiegare la sua interferenza induttiva e deduttiva. Bisogna stare molto attenti mentre si progettano gli algoritmi di bias induttivo. È possibile utilizzare l'interferenza induttiva per ottenere risultati equivalenti alle inferenze deduttive.

Fatto interessante: dal corpus matematico in informatica più ampia, se c'è qualche materia che è leggendaria per essere considerata una materia difficile è la teoria dei grafi nella matematica discreta.

Tuttavia, la teoria dei grafi ci consente di svolgere alcune attività entusiasmanti e di fornire spunti sorprendenti con il deep learning.

Segmentazione del grafico

La segmentazione del grafico è un processo di classificazione di uno e di tutti i componenti di un grafico come nodi (entità), bordi (relazioni). Pensa alle auto a guida autonoma che devono monitorare il loro ambiente dopo un intervallo regolare e prevedere cosa accadranno in seguito dai pedoni.

Di solito, i pedoni umani sono rappresentati come enormi scatole di delimitazione in tre dimensioni o come scheletri a più gradi di movimento. Con una segmentazione semantica tridimensionale più veloce e migliore, le auto autonome avrebbero sempre più algoritmi che rendono possibile la percezione.

Classificazione dei grafici

Nella classificazione dei grafi, l'algoritmo ottiene un grafico o un sottografo come input e interpreta un output di n classi specificate aventi un valore di certezza combinato con la previsione. È equivalente alla classificazione delle immagini di cui la rete impiegata si compone di due parti principali.

La prima parte importante è l'estrattore di funzionalità che crea una rappresentazione ottica dei dati di input. Quindi, per vincolare la regressione dell'output a una particolare dimensionalità, vengono utilizzati livelli completamente connessi. D'altra parte, per la classificazione multiclasse è richiesto uno strato softmax.

Deve leggere : metodi passo-passo per costruire oggi il tuo sistema di intelligenza artificiale

La linea di fondo

Abbiamo compreso in profondità il Geometric Deep Learning inserendolo nel contesto del Deep Learning in generale. Possiamo concludere che l'apprendimento profondo geometrico si occupa di dati irregolari nel loro insieme e abbiamo imparato a conoscere i grafici illustrando quanto sia promettente il loro ruolo nei pregiudizi di apprendimento.

Se sei interessato a saperne di più sulle tecniche di deep learning e machine learning, dai un'occhiata al Diploma PG di IIIT-B e upGrad in Machine Learning e AI, progettato per i professionisti che lavorano e offre oltre 450 ore di formazione rigorosa, oltre 30 casi di studio e incarichi, stato di Alumni IIIT-B, oltre 5 progetti pratici pratici e assistenza sul lavoro con le migliori aziende.