Despre ce este Geometric Deep Learning?

Algoritmii de învățare profundă precum rețelele neuronale recurente (RNN) și rețelele neuronale convoluționale (CNN) au făcut o muncă semnificativă în rezolvarea problemelor din diferite domenii, cum ar fi recunoașterea vorbirii, viziunea computerizată și multe altele în ultimii câțiva ani. Deși rezultatele au avut o mare acuratețe, au funcționat în mare parte pe date euclidiene.

Dar când vine vorba de Știința rețelelor, Fizică, Biologie, Grafică pe computer și Sisteme de recomandare, trebuie să ne ocupăm de date non-euclidiene, adică de varietăți și grafice. Geometric Deep Learning se ocupă de aceste date non-euclidiene cu un simț al tehnicilor de învățare profundă în ansamblu la date multiple sau structurate grafic.

Ce este Geometric Deep Learning?

În ultimii câțiva ani, am observat progrese semnificative în domeniul învățării profunde și al învățării automate. Puterea computerului crește rapid, iar datele disponibile sunt combinate cu algoritmii care au fost dezvoltați în anii 1980 – 1990 pentru noile lor aplicații.

Dacă există un domeniu care a beneficiat foarte mult de pe urma acestei dezvoltări, ar fi reprezentarea învățării. Învățarea reprezentării este o parte a învățării supravegheate și se mai numește și învățarea caracteristicilor. Învățarea caracteristicilor înlocuiește direct Ingineria caracteristicilor într-o mulțime de aplicații. Pentru informațiile dvs., ingineria caracteristicilor este un domeniu care se ocupă cu dezvoltarea descriptorilor și a caracteristicilor pentru efectuarea altor sarcini de învățare automată.

Unul dintre cele mai bune exemple este utilizarea rețelelor neuronale convoluționale (CNN) pentru detectarea obiectelor, clasificarea imaginilor și obținerea unei acuratețe mari, stabilind, prin urmare, un punct de referință pentru ceilalți algoritmi convenționali. ImageNet a organizat o competiție în 2012 și a depășit un SOTA în mod substanțial bazat pe Feature Engineering.

Să intrăm acum în înțelegerea domeniului având o origine similară și un viitor înfloritor, învățarea profundă geometrică.

Termenul de învățare profundă geometrică a fost denumit pentru prima dată de Bronstein și colab. în articolul lor publicat în 2017, titlul articolului era „Geometric Deep Learning: going above euclidian data”.

Este un titlu puternic care spune că învățarea profundă geometrică este capabilă să folosească învățarea profundă chiar și pe date non-euclidiene. Datele non-euclidiene sunt un set de date care nu se pot încadra într-un spațiu bidimensional.

De obicei, o specializare grafică sau o plasă care este foarte extinsă în domeniul graficii computerizate pentru a vizualiza datele non-euclidiene.

Figura din stânga indică distanța geodezică, iar din dreapta distanța euclidiană. Plasa din figura de mai sus este chipul unei persoane. Acum, de-a lungul rețelei, cea mai scurtă distanță de suprafață este distanța geodezică dintre două repere. În timp ce distanța calculată între două repere folosind o linie dreaptă este distanța euclidiană.

Distanța geodezică este principalul avantaj al reprezentării oricărei plase într-o formă non-euclidiană, deoarece este mai importantă pentru sarcinile efectuate pe aceasta. Nu este că nu putem transforma datele non-euclidiene în date euclidiene în mod inerent, dar ceea ce se întâmplă este că există un cost ridicat în pierderea performanței și eficienței.

Un exemplu principal și important de date non-euclidiene ar fi un grafic. Un graf este o astfel de structură de date care constă din entități sau noduri care sunt conectate la relații sau margini. Un grafic poate fi folosit pentru a modela aproape orice și orice.

Ei bine, nu aveți nevoie de o înțelegere a teoriei graficelor, trebuie doar să citiți puțin despre ea, astfel încât să puteți utiliza bibliotecile de software care sunt necesare în acest proces. Ar trebui să aveți cunoștințe de bază clare despre învățarea profundă geometrică pentru o introducere remarcabilă în grafic și teoria sa fundamentală.

Pentru ca datele să fie folosite pentru a rezolva problema bazată pe învățarea profundă geometrică, dacă recunoașteți deja instanțe realizabile pe baza datelor de care trebuie să le eliminați, sau dimpotrivă; atunci este cel mai bun scenariu.

Citește: Rețea neuronală convulațională

Raționamentul statistic

Ceea ce vrem să înțelegem este ceea ce diferă raționamentul inductiv și raționamentul deductiv. Când vine vorba de raționamentul deductiv, termenii generali sunt folosiți pentru a ajunge la o concluzie specifică sau pentru a face o anumită afirmație. Să combinăm ambele afirmații pentru a forma un exemplu.

„Toate fetele au obținut 10/10 la test” și „Taylor este o fată” înseamnă în cele din urmă că „Taylor a notat 10/10 la test”. Raționamentul inductiv este invers; aici, o idee generală sau concluzie este trasă din termeni anumiți. Să luăm un exemplu pentru a vizualiza raționamentul. Raspunde la intrebare:

Care vacă dă numai lapte de viață lungă (UHT)? Dacă spui „niciuna”, te numeri printre cei 21% dintre tinerii intervievați. 5% dintre tinerii intervievați au marcat „Vaci-Milka”, 10% au marcat „toate”, 2% dintre ei s-au aliniat pentru „vaci femele” și „vaci alb-negru”, iar 50% dintre ei nu au răspuns.

Citește și: Rețeaua neuronală recurentă

Sunt multe de analizat din acest rezultat, dar să luăm în considerare gândul vacilor Milka. Să înțelegem concluzia sub formă de raționament inductiv din punctul de vedere al tinerilor. În primul rând, „Vaca-Milka este o rasă specială”, „Laptele UHT este special”, ceea ce duce în cele din urmă la „Laptele UHT este produs de o vaca Milka”.

Ce putem rezuma din asta? Prejudecata inductivă sau raționamentul inductiv este un set de ipoteze ale cursantului, care este suficient pentru a explica interferența sa inductivă și deductivă. Trebuie să fiți foarte atenți în timp ce proiectați algoritmii de părtinire inductivă. Se poate folosi interferența inductivă pentru a obține rezultate care sunt echivalente cu inferențe deductive.

Fapt interesant: Din corpus de matematică din știința informatică mai mare, dacă există vreun subiect care este legendar pentru a fi considerat ca un subiect dificil este Teoria graficelor în matematica discretă.

Cu toate acestea, teoria graficelor ne permite să îndeplinim câteva sarcini interesante și să oferim perspective uimitoare cu învățare profundă.

Segmentarea graficului

Segmentarea grafului este un proces de clasificare a uneia și a tuturor componentelor unui graf, cum ar fi nodurile (entitățile), marginile (relațiile). Gândiți-vă la mașinile autonome care trebuie să își monitorizeze mediul după un interval regulat și preziceți ce vor urma pietonii.

De obicei, pietonii umani sunt reprezentați fie ca cutii de delimitare uriașe în trei dimensiuni, fie ca schelete cu mai multe grade de mișcare. Cu o segmentare semantică tridimensională mai rapidă și mai bună, mașinile autonome ar avea din ce în ce mai mulți algoritmi care fac percepția fezabilă.

Clasificare grafică

În clasificarea grafică, algoritmul primește un grafic sau subgraf ca intrare și interpretează o ieșire din n clase care sunt specificate având o valoare de certitudine combinată cu predicția. Este echivalent cu clasificarea imaginilor a cărei rețea utilizată are două părți principale.

Prima parte importantă este extractorul de caracteristici care creează o reprezentare optică a datelor de intrare. Apoi, pentru a constrânge regresia de ieșire la o anumită dimensionalitate, sunt utilizate straturi complet conectate. Pe de altă parte, un strat softmax este necesar pentru clasificarea multiclasă.

Trebuie să citiți : Metode pas cu pas pentru a vă construi propriul sistem AI astăzi

Linia de jos

Am înțeles Geometric Deep Learning în profunzime punându-l în contextul Deep Learning în general. Putem concluziona că învățarea profundă geometrică se ocupă de date neregulate în ansamblu și am aflat despre grafice ilustrând cât de promițător este rolul lor în prejudecățile de învățare.

Dacă sunteți interesat să aflați mai multe despre tehnicile de învățare profundă, învățarea automată, consultați Diploma PG de la IIIT-B și upGrad în Învățare automată și AI, care este concepută pentru profesioniști care lucrează și oferă peste 450 de ore de formare riguroasă, peste 30 de studii de caz și misiuni, statutul de absolvenți IIIT-B, peste 5 proiecte practice practice și asistență la locul de muncă cu firme de top.