Na czym polega głębokie uczenie geometryczne?

Algorytmy głębokiego uczenia, takie jak Recurrent Neural Networks (RNN) i Convolutional Neural Networks (CNN) wykonały znaczącą pracę w rozwiązywaniu problemów z różnych dziedzin, takich jak rozpoznawanie mowy, widzenie komputerowe i wiele innych w ciągu ostatnich kilku lat. Chociaż wyniki były bardzo dokładne, dotyczyły głównie danych euklidesowych.

Ale jeśli chodzi o nauki o sieciach, fizykę, biologię, grafikę komputerową i systemy rekomendacji, mamy do czynienia z danymi nieeuklidesowymi, tj. rozmaitościami i wykresami. Geometryczne uczenie głębokie zajmuje się tymi nieeuklidesowymi danymi z odczuciem technik głębokiego uczenia jako całości do danych o różnej strukturze lub wykresach.

Co to jest głębokie uczenie geometryczne?

W ciągu ostatnich kilku lat zaobserwowaliśmy znaczny postęp w dziedzinie uczenia głębokiego i uczenia maszynowego. Moc komputerów szybko rośnie, a dostępne dane są łączone z algorytmami, które zostały opracowane w latach 1980 – 1990 dla ich nowych zastosowań.

Jeśli istnieje dziedzina, która wiele skorzystała na tym rozwoju, byłaby nauka reprezentacji. Uczenie się reprezentacji jest częścią uczenia nadzorowanego i jest również nazywane uczeniem funkcji. Uczenie się funkcji bezpośrednio zastępuje inżynierię funkcji w wielu aplikacjach. Dla Twojej informacji inżynieria funkcji to dziedzina, która zajmuje się opracowywaniem deskryptorów i funkcji do wykonywania w innych zadaniach uczenia maszynowego.

Jednym z najlepszych przykładów jest wykorzystanie Convolutional Neural Networks (CNN) do wykrywania obiektów, klasyfikacji obrazów i uzyskiwania dużej dokładności, co stanowi punkt odniesienia dla innych konwencjonalnych algorytmów. ImageNet przeprowadził konkurs w 2012 roku i znacznie przewyższył SOTA opartą na inżynierii funkcji.

Przejdźmy teraz do zrozumienia dziedziny o podobnym pochodzeniu i kwitnącej przyszłości, geometrycznego uczenia głębokiego.

Termin geometryczne głębokie uczenie się został po raz pierwszy nazwany przez Bronsteina i in. w ich artykule opublikowanym w 2017 roku tytuł artykułu brzmiał: „Geometryczne głębokie uczenie: wykraczanie poza dane euklidesowe”.

To mocny tytuł, który mówi, że geometryczne uczenie głębokie może wykorzystywać głębokie uczenie nawet na danych nieeuklidesowych. Dane nieeuklidesowe to zbiór danych, które nie mieszczą się w przestrzeni dwuwymiarowej.

Zwykle jest to specjalizacja graficzna lub siatka, która jest bardzo rozbudowana w dziedzinie grafiki komputerowej do wizualizacji danych nieeuklidesowych.

Cyfra po lewej wskazuje odległość geodezyjną, a po prawej odległość euklidesową. Siatka na powyższym rysunku to twarz osoby. Teraz, w całej siatce, najkrótsza odległość powierzchniowa to odległość geodezyjna między dwoma punktami orientacyjnymi. Natomiast odległość obliczona między dwoma punktami orientacyjnymi za pomocą linii prostej jest odległością euklidesową.

Odległość geodezyjna jest główną zaletą przedstawiania dowolnej siatki w postaci nieeuklidesowej, ponieważ jest bardziej istotna dla wykonywanych na niej zadań. Nie chodzi o to, że nie możemy z natury przerzucić danych nieeuklidesowych na dane euklidesowe, ale dzieje się tak, że utrata wydajności i efektywności wiąże się z wysokimi kosztami.

Podstawowym i ważnym przykładem danych nieeuklidesowych byłby wykres. Graf to taka struktura danych, która składa się z jednostek lub węzłów, które są połączone z relacjami lub krawędziami. Wykres może być używany do modelowania prawie wszystkiego.

Cóż, nie musisz rozumieć teorii grafów, wystarczy tylko trochę poczytać na ten temat, aby móc korzystać z bibliotek oprogramowania, które są wymagane w tym procesie. Powinieneś mieć krystalicznie czystą podstawową wiedzę na temat głębokiego uczenia geometrycznego, aby uzyskać doskonałe wprowadzenie do grafu i jego podstawowej teorii.

Aby dane zostały wykorzystane do rozwiązania problemu w oparciu o głębokie uczenie geometryczne, jeśli już rozpoznałeś możliwe do osiągnięcia instancje na podstawie danych, które musisz usunąć, lub odwrotnie; wtedy jest to najlepszy scenariusz.

Przeczytaj: Konwulacyjna sieć neuronowa

Rozumowanie statystyczne

Chcemy zrozumieć, czym różni się rozumowanie indukcyjne od rozumowania dedukcyjnego. Jeśli chodzi o rozumowanie dedukcyjne, ogólne terminy są używane w celu dojścia do konkretnego wniosku lub sformułowania konkretnego twierdzenia. Połączmy oba te twierdzenia, aby stworzyć przykład.

„Wszystkie dziewczyny uzyskały w teście 10/10 punktów” i „Taylor jest dziewczyną” ostatecznie oznacza, że ​​„Taylor uzyskała w teście 10/10 punktów”. Rozumowanie indukcyjne jest odwrotnie; tutaj z poszczególnych terminów wyciąga się ogólną ideę lub wniosek. Weźmy przykład, aby zwizualizować tok rozumowania. Odpowiedz na to pytanie:

Która krowa daje tylko mleko o przedłużonej trwałości (UHT)? Jeśli powiesz „brak”, jesteś wśród 21% ankietowanej młodzieży. 5% ankietowanej młodzieży zaznaczyło „krowy-mleko”, 10% zaznaczyło „wszyscy”, 2% ustawiło się w kolejce po „krowy” i „krowy czarno-białe”, a 50% z nich nie miało odpowiedzi.

Przeczytaj także: Rekurencyjna sieć neuronowa

Jest wiele do przeanalizowania na podstawie tego wyniku, ale weźmy pod uwagę myśl krów Milka. Zrozummy wniosek w formie rozumowania indukcyjnego z punktu widzenia młodzieży. Po pierwsze, „Mleko-krowa jest specjalną rasą”, „Mleko UHT jest wyjątkowe”, co w końcu prowadzi do „Mleko UHT daje krowa Milka”.

Co możemy z tego podsumować? Błąd indukcyjny lub rozumowanie indukcyjne to zestaw założeń ucznia, który wystarcza do wyjaśnienia jego indukcyjnych i dedukcyjnych zakłóceń. Należy być bardzo ostrożnym przy projektowaniu algorytmów obciążenia indukcyjnego. Zakłócenia indukcyjne można wykorzystać do uzyskania wyników równoważnych wnioskom dedukcyjnym.

Interesujący fakt: z korpusu matematyki w większej informatyce, jeśli jest jakiś przedmiot, który jest uważany za trudny przedmiot, to teoria grafów w matematyce dyskretnej.

Jednak teoria grafów pozwala nam wykonywać kilka ekscytujących zadań i dostarczać niesamowitych spostrzeżeń dzięki głębokiemu uczeniu.

Segmentacja wykresu

Segmentacja grafu to proces klasyfikacji jednego i wszystkich składników grafu, takich jak węzły (byty), krawędzie (relacje). Pomyśl o autonomicznych samochodach, które muszą regularnie monitorować swoje otoczenie i przewidywać, co będą dalej robić piesi.

Zwykle piesi ludzie są przedstawiani albo jako ogromne, trójwymiarowe pudła ograniczające, albo jako szkielety o większej liczbie stopni ruchu. Przy szybszej i lepszej trójwymiarowej segmentacji semantycznej samochody autonomiczne miałyby coraz więcej algorytmów, które umożliwiają percepcję.

Klasyfikacja wykresu

W klasyfikacji grafów algorytm otrzymuje graf lub podgraf jako dane wejściowe i interpretuje jedno wyjście z n klas, które są określone jako mające wartość pewności połączoną z predykcją. Jest to odpowiednik klasyfikacji obrazów, której wykorzystywana sieć składa się z dwóch głównych części.

Pierwszą ważną częścią jest ekstraktor cech, który tworzy optyczną reprezentację danych wejściowych. Następnie, aby ograniczyć regresję wyjściową do określonej wymiarowości, stosuje się w pełni połączone warstwy. Z drugiej strony warstwa softmax jest wymagana do klasyfikacji wieloklasowej.

Musisz przeczytać : Metody krok po kroku, aby zbudować swój własny system AI już dziś

Najważniejsze!

Dogłębnie zrozumieliśmy Geometryczne uczenie głębokie, umieszczając je w ogólnym kontekście głębokiego uczenia. Możemy stwierdzić, że geometryczne uczenie głębokie zajmuje się nieregularnymi danymi jako całością, a o wykresach dowiedzieliśmy się, ilustrując, jak obiecująca jest ich rola w uczeniu się błędów systematycznych.

Jeśli chcesz dowiedzieć się więcej o technikach głębokiego uczenia się, uczeniu maszynowym, sprawdź dyplom PG IIIT-B i upGrad w uczeniu maszynowym i sztucznej inteligencji, który jest przeznaczony dla pracujących profesjonalistów i oferuje ponad 450 godzin rygorystycznego szkolenia, ponad 30 studiów przypadków i zadania, status absolwentów IIIT-B, ponad 5 praktycznych praktycznych projektów zwieńczenia i pomoc w pracy z najlepszymi firmami.