Что такое геометрическое глубокое обучение?

Алгоритмы глубокого обучения, такие как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), за последние несколько лет проделали значительную работу по решению проблем в различных областях, таких как распознавание речи, компьютерное зрение и многое другое. Хотя результаты имели большую точность, в основном он работал с евклидовыми данными.

Но когда дело доходит до сетевых наук, физики, биологии, компьютерной графики и рекомендательных систем, нам приходится иметь дело с неевклидовыми данными, то есть с многообразиями и графами. Геометрическое глубокое обучение имеет дело с этими неевклидовыми данными с точки зрения методов глубокого обучения в целом с многообразием или графически структурированными данными.

Что такое геометрическое глубокое обучение?

За последние несколько лет мы наблюдаем значительный прогресс в области глубокого обучения и машинного обучения. Мощность компьютеров быстро растет, а имеющиеся данные сочетаются с алгоритмами, разработанными еще в 1980–1990-х годах для их новых приложений.

Если есть область, которая извлекла большую пользу из этого развития, так это репрезентативное обучение. Репрезентативное обучение является частью обучения с учителем и также называется функциональным обучением. Изучение функций напрямую заменяет разработку функций во многих приложениях. К вашему сведению, разработка функций — это область, которая занимается разработкой дескрипторов и функций для выполнения других задач машинного обучения.

Одним из лучших примеров является использование сверточных нейронных сетей (CNN) для обнаружения объектов, классификации изображений и достижения высокой точности, что является эталоном для других традиционных алгоритмов. ImageNet провела конкурс в 2012 году и существенно превзошла SOTA на основе Feature Engineering.

Давайте теперь перейдем к пониманию области, имеющей аналогичное происхождение и цветущее будущее, геометрического глубокого обучения.

Термин «геометрическое глубокое обучение» впервые был предложен Бронштейном и др. в их статье, опубликованной в 2017 году, статья называлась «Геометрическое глубокое обучение: выход за рамки евклидовых данных».

Это сильное название говорит о том, что геометрическое глубокое обучение способно использовать глубокое обучение даже на неевклидовых данных. Неевклидовы данные — это набор данных, который не может уместиться в двумерном пространстве.

Обычно это графическая специализация или сетка, которая очень обширна в области компьютерной графики для визуализации неевклидовых данных.

Цифра слева обозначает геодезическое расстояние, а справа — евклидово расстояние. Сетка на рисунке выше — это лицо человека. Теперь по сетке кратчайшее расстояние по поверхности — это геодезическое расстояние между двумя ориентирами. В то время как расстояние, рассчитанное между двумя ориентирами по прямой линии, является евклидовым расстоянием.

Геодезическое расстояние является основным преимуществом представления любой сетки в неевклидовой форме, поскольку оно более важно для выполняемых на ней задач. Дело не в том, что мы не можем преобразовать неевклидовы данные в евклидовы данные по своей сути, но происходит то, что потеря производительности и эффективности обходится дорого.

Ярким и важным примером неевклидовых данных может быть график. Граф — это такая структура данных, состоящая из сущностей или узлов, которые связаны отношениями или ребрами. Граф можно использовать для моделирования почти всего и вся.

Что ж, вам не нужно понимать теорию графов, вам просто нужно немного прочитать о ней, чтобы вы могли использовать программные библиотеки, которые требуются в процессе. У вас должны быть кристально чистые базовые знания о глубоком геометрическом обучении для выдающегося введения в граф и его фундаментальную теорию.

Для данных, которые будут использоваться для решения проблемы на основе геометрического глубокого обучения, если вы уже распознали достижимые экземпляры на основе данных, от которых вам нужно избавиться, или наоборот; то это в лучшем случае.

Читайте: Конвуляционная нейронная сеть

Статистическое мышление

Мы хотим понять, что отличает индуктивное рассуждение от дедуктивного. Когда дело доходит до дедуктивных рассуждений, общие термины используются, чтобы прийти к конкретному выводу или сделать конкретное утверждение. Давайте объединим оба этих утверждения, чтобы сформировать пример.

«Все девочки набрали 10/10 в тесте» и «Тейлор — девочка» в конечном итоге означает, что «Тейлор набрала 10/10 в тесте». Индуктивное рассуждение наоборот; здесь общая идея или вывод делается из частных терминов. Давайте возьмем пример, чтобы визуализировать рассуждения. Ответьте на этот вопрос:

Какая корова дает только ультрапастеризованное молоко? Если вы ответите «нет», вы относитесь к 21% опрошенных молодых людей. 5% опрошенной молодежи отметили «молочные коровы», 10% отметили «все», 2% выстроились в очередь за «самками» и «черно-пестрыми коровами», а 50% не дали ответа.

Читайте также: Рекуррентная нейронная сеть

Из этого результата можно многое проанализировать, но давайте рассмотрим мысль о молочных коровах. Разберем вывод в форме индуктивного рассуждения с точки зрения молодежи. Во-первых, «молочная корова — особая порода», «молоко ультрапастеризованное — особое», что в итоге приводит к «молоку ультрапастеризованной коровы дает молочная корова».

Что мы можем из этого подытожить? Индуктивное смещение или индуктивное рассуждение — это набор допущений учащегося, которых достаточно для объяснения его индуктивной и дедуктивной интерференции. Нужно быть очень осторожным при разработке алгоритмов индуктивного смещения. Можно использовать индуктивную интерференцию для достижения результатов, эквивалентных дедуктивным выводам.

Интересный факт: из математического корпуса в компьютерных науках, если есть какой-либо предмет, о котором ходят легенды как о сложном предмете, так это теория графов в дискретной математике.

Тем не менее, теория графов позволяет нам выполнять несколько увлекательных задач и давать удивительные идеи с помощью глубокого обучения.

Сегментация графика

Сегментация графа — это процесс классификации всех без исключения компонентов графа, таких как узлы (сущности), ребра (отношения). Подумайте об автономных автомобилях, которые должны контролировать свое окружение через регулярные промежутки времени и предсказывать, что они будут делать дальше со стороны пешеходов.

Обычно человеческие пешеходы представляются либо в виде огромных ограничивающих прямоугольников в трех измерениях, либо в виде скелетов с большим количеством степеней движения. С более быстрой и лучшей трехмерной семантической сегментацией автономные автомобили будут иметь все больше и больше алгоритмов, которые сделают восприятие возможным.

Классификация графиков

При классификации графов алгоритм получает граф или подграф в качестве входных данных и интерпретирует один выход из n классов, которые указаны со значением достоверности в сочетании с прогнозом. Это эквивалентно классификации изображений, в которой используемая сеть состоит из двух основных частей.

Первой важной частью является экстрактор признаков, который создает оптическое представление входных данных. Затем, чтобы ограничить выходную регрессию определенной размерностью, используются полносвязные слои. С другой стороны, для многоклассовой классификации требуется слой softmax.

Обязательно к прочтению : пошаговые методы создания собственной системы искусственного интеллекта уже сегодня

Суть

Мы глубоко поняли геометрическое глубокое обучение, поместив его в контекст глубокого обучения в целом. Мы можем сделать вывод, что геометрическое глубокое обучение имеет дело с нерегулярными данными в целом, и мы узнали о графах, проиллюстрировав их многообещающую роль в ошибках обучения.

Если вам интересно узнать больше о методах глубокого обучения и машинном обучении, ознакомьтесь с дипломом PG IIIT-B и upGrad в области машинного обучения и искусственного интеллекта, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и задания, статус выпускника IIIT-B, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.