การเรียนรู้เชิงลึกเชิงเรขาคณิตทั้งหมดเกี่ยวกับอะไร

อัลกอริธึมการเรียนรู้เชิงลึก เช่น Recurrent Neural Networks (RNN) และ Convolutional Neural Networks (CNN) ได้ทำงานที่สำคัญในการแก้ปัญหาในด้านต่างๆ เช่น การรู้จำเสียง การมองเห็นด้วยคอมพิวเตอร์ และอื่นๆ อีกมากมายในช่วงไม่กี่ปีที่ผ่านมา แม้ว่าผลลัพธ์จะมีความแม่นยำมาก แต่ส่วนใหญ่ทำงานกับข้อมูลแบบยุคลิด

แต่เมื่อพูดถึง Network Science, Physics, Biology, Computer Graphics และระบบ Recommender เราต้องจัดการกับข้อมูลที่ไม่ใช่แบบยุคลิด กล่าวคือ มานิโฟลด์และกราฟ การเรียนรู้เชิงลึกเชิงเรขาคณิตเกี่ยวข้องกับข้อมูลที่ไม่ใช่แบบยุคลิดด้วยความรู้สึกของเทคนิคการเรียนรู้เชิงลึกโดยรวมกับข้อมูลที่หลากหลายหรือโครงสร้างกราฟ

การเรียนรู้เชิงลึกเชิงเรขาคณิตคืออะไร?

ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นความก้าวหน้าที่สำคัญในด้านการเรียนรู้เชิงลึกและการเรียนรู้ของเครื่อง พลังของคอมพิวเตอร์เติบโตอย่างรวดเร็ว และข้อมูลที่มีอยู่จะถูกรวมเข้ากับอัลกอริธึมที่พัฒนาขึ้นในปี 1980 – 1990 สำหรับแอปพลิเคชันใหม่

หากมีพื้นที่ซึ่งได้ประโยชน์มากจากการพัฒนานี้ จะเป็น Representation Learning การเรียนรู้แบบเป็นตัวแทนเป็นส่วนหนึ่งของการเรียนรู้ภายใต้การดูแล และเรียกอีกอย่างว่าการเรียนรู้คุณลักษณะ การเรียนรู้คุณสมบัติแทนที่วิศวกรรมคุณสมบัติโดยตรงในแอปพลิเคชันจำนวนมาก สำหรับข้อมูลของคุณ วิศวกรรมคุณลักษณะเป็นสาขาที่เกี่ยวข้องกับการพัฒนาคำอธิบายและคุณลักษณะสำหรับการดำเนินการในงานการเรียนรู้ของเครื่องอื่นๆ

ตัวอย่างที่ดีที่สุดอย่างหนึ่งคือการใช้ Convolutional Neural Networks (CNN) สำหรับการตรวจจับวัตถุ การจัดประเภทภาพ และบรรลุความแม่นยำที่ยอดเยี่ยม จึงเป็นการกำหนดเกณฑ์มาตรฐานสำหรับอัลกอริธึมทั่วไปอื่นๆ ImageNet ดำเนินการแข่งขันในปี 2555 และทำได้ดีกว่า SOTA โดยอิงจากคุณสมบัติวิศวกรรม

ตอนนี้ให้เรามาทำความเข้าใจกับสาขาที่มีต้นกำเนิดที่คล้ายกันและอนาคตที่กำลังเบ่งบาน นั่นคือการเรียนรู้เชิงลึกทางเรขาคณิต

คำว่าการเรียนรู้เชิงลึกเชิงเรขาคณิตเป็นครั้งแรกเรียกว่า Bronstein et al ในบทความที่ตีพิมพ์ในปี 2560 หัวข้อของบทความคือ “การเรียนรู้เชิงลึกทางเรขาคณิต: ก้าวไปไกลกว่าข้อมูลยุคลิด”

เป็นชื่อที่ชัดเจนซึ่งบอกว่าการเรียนรู้เชิงลึกเชิงเรขาคณิตนั้นสามารถใช้การเรียนรู้เชิงลึกแม้ในข้อมูลที่ไม่ใช่แบบยุคลิด ข้อมูลที่ไม่ใช่แบบยุคลิดคือชุดข้อมูลที่ไม่สามารถจัดอยู่ในพื้นที่สองมิติได้

โดยปกติแล้ว ความเชี่ยวชาญด้านกราฟิกหรือเมชที่กว้างขวางมากในด้านคอมพิวเตอร์กราฟิก เพื่อแสดงภาพข้อมูลที่ไม่ใช่แบบยุคลิด

รูปด้านซ้ายแสดงระยะทางจีโอเดซิก และด้านขวาคือระยะทางแบบยุคลิด ตาข่ายในรูปด้านบนเป็นหน้าคน ตอนนี้ ระยะทางพื้นผิวที่สั้นที่สุดคือระยะทาง geodesic ระหว่างจุดสังเกตสองแห่ง ในขณะที่ระยะทางที่คำนวณระหว่างจุดสังเกตสองแห่งโดยใช้เส้นตรงคือระยะทางแบบยุคลิด

ระยะ geodesic เป็นข้อได้เปรียบหลักของการแสดงตาข่ายในรูปแบบที่ไม่ใช่แบบยุคลิดเนื่องจากเป็นผลสืบเนื่องมากขึ้นสำหรับงานที่ทำกับมัน ไม่ใช่ว่าเราไม่สามารถส่งข้อมูลที่ไม่ใช่แบบยุคลิดไปเป็นข้อมูลแบบยุคลิดโดยเนื้อแท้ แต่สิ่งที่เกิดขึ้นคือ มีค่าใช้จ่ายสูงในการสูญเสียประสิทธิภาพและประสิทธิภาพ

ตัวอย่างที่สำคัญและสำคัญของข้อมูลที่ไม่ใช่แบบยุคลิดคือกราฟ กราฟคือโครงสร้างข้อมูลซึ่งประกอบด้วยเอนทิตีหรือโหนดที่เชื่อมต่อกับความสัมพันธ์หรือขอบ กราฟสามารถใช้เพื่อสร้างแบบจำลองได้แทบทุกอย่าง

คุณไม่จำเป็นต้องมีความเข้าใจเกี่ยวกับทฤษฎีกราฟ คุณเพียงแค่ต้องอ่านข้อมูลเล็กน้อยเพื่อให้คุณสามารถใช้ไลบรารีซอฟต์แวร์ที่จำเป็นในกระบวนการได้ คุณควรมีความรู้พื้นฐานที่ชัดเจนเกี่ยวกับการเรียนรู้เชิงลึกทางเรขาคณิตสำหรับการแนะนำกราฟและทฤษฎีพื้นฐานของกราฟที่โดดเด่น

สำหรับข้อมูลที่จะใช้ในการแก้ปัญหาโดยอิงจากการเรียนรู้เชิงลึกเชิงเรขาคณิต หากคุณรู้จักอินสแตนซ์ที่ทำได้โดยพิจารณาจากข้อมูลที่คุณต้องการกำจัดหรือตรงกันข้าม แล้วมันเป็นสถานการณ์ที่ดีที่สุด

อ่าน: Convulational Neural Network

การให้เหตุผลทางสถิติ

สิ่งที่เราต้องการที่จะเข้าใจคือสิ่งที่แตกต่างการให้เหตุผลเชิงอุปนัยและการใช้เหตุผลแบบนิรนัย เมื่อพูดถึงการให้เหตุผลแบบนิรนัย คำศัพท์ทั่วไปจะใช้เพื่อสรุปข้อสรุปเฉพาะหรือเพื่ออ้างสิทธิ์อย่างเฉพาะเจาะจง ให้เรารวมการยืนยันทั้งสองนี้เข้าด้วยกันเพื่อสร้างตัวอย่าง

“เด็กผู้หญิงทุกคนได้คะแนน 10/10 ในการทดสอบ” และ “Taylor is a girl” ในที่สุดหมายความว่า “Taylor ได้คะแนน 10/10 ในการทดสอบ” การให้เหตุผลเชิงอุปนัยกลับกัน ในที่นี้ แนวคิดทั่วไปหรือข้อสรุปมาจากเงื่อนไขเฉพาะ ให้เรายกตัวอย่างเพื่อให้เห็นภาพเหตุผล ตอบคำถามนี้:

วัวตัวไหนให้นมอายุยืน (ยูเอชที) เท่านั้น? หากคุณพูดว่า "ไม่มี" คุณเป็นหนึ่งใน 21% ของเยาวชนที่ถูกสัมภาษณ์ 5% ของเยาวชนที่ถูกสัมภาษณ์ทำเครื่องหมายว่า "โคนม", 10% ทำเครื่องหมาย "ทั้งหมด", 2% ของพวกเขาเข้าแถวรอ "วัวเพศเมีย" และ "วัวขาวดำ" และ 50% ของพวกเขาไม่มีคำตอบ

อ่านเพิ่มเติม: โครงข่ายประสาทกำเริบ

มีหลายสิ่งที่ต้องวิเคราะห์จากผลลัพธ์นี้ แต่ให้พิจารณาความคิดของ Milka-cows ให้เราเข้าใจข้อสรุปในรูปแบบการให้เหตุผลเชิงอุปนัยด้วยมุมมองของเยาวชน ประการแรก “โคนมเป็นพันธุ์พิเศษ”, “นมยูเอชทีเป็นแบบพิเศษ” ซึ่งในที่สุดจะนำไปสู่

เราสามารถสรุปอะไรจากเรื่องนี้ได้บ้าง? อคติอุปนัยหรือเหตุผลเชิงอุปนัยเป็นชุดสมมติฐานของผู้เรียน ซึ่งเพียงพอที่จะอธิบายการรบกวนแบบอุปนัยและอุปนัย เราต้องระวังให้มากในขณะที่ออกแบบอัลกอริธึมของอคติอุปนัย สามารถใช้การรบกวนแบบอุปนัยเพื่อให้ได้ผลลัพธ์ที่เทียบเท่ากับการอนุมานแบบนิรนัย

ข้อเท็จจริงที่น่าสนใจ: จากคลังข้อมูลคณิตศาสตร์ในวิทยาการคอมพิวเตอร์ที่มากขึ้น หากมีวิชาใดที่คิดว่าเป็นวิชาที่ยากในนิทานหลอกๆ ก็คือ ทฤษฎีกราฟในวิชาคณิตศาสตร์แบบแยกส่วน

อย่างไรก็ตาม ทฤษฎีกราฟช่วยให้เราสามารถทำงานที่น่าตื่นเต้นสองสามอย่าง และให้ข้อมูลเชิงลึกที่น่าอัศจรรย์ด้วยการเรียนรู้เชิงลึก

การแบ่งส่วนกราฟ

การแบ่งส่วนกราฟเป็นกระบวนการของการจำแนกหนึ่งและองค์ประกอบทั้งหมดของกราฟ เช่น โหนด (เอนทิตี) ขอบ (ความสัมพันธ์) ลองนึกถึงรถยนต์ขับเคลื่อนอัตโนมัติซึ่งจำเป็นต้องได้รับการตรวจสอบสภาพแวดล้อมหลังจากช่วงเวลาปกติ และคาดการณ์ว่าพวกเขาจะเป็นอย่างไรต่อไปโดยคนเดินถนน

โดยปกติคนเดินถนนของมนุษย์จะถูกแสดงเป็นกล่องล้อมรอบขนาดใหญ่ในสามมิติหรือเป็นโครงกระดูกเคลื่อนไหวในระดับที่มากกว่า ด้วยการแบ่งส่วนความหมายสามมิติที่รวดเร็วและดีกว่า รถยนต์อัตโนมัติจะมีอัลกอริธึมมากขึ้นเรื่อยๆ ซึ่งทำให้การรับรู้เป็นไปได้

การจำแนกกราฟ

ในการจำแนกกราฟ อัลกอริธึมรับกราฟหรือกราฟย่อยเป็นอินพุตและตีความเอาต์พุตหนึ่งของคลาส n ซึ่งระบุด้วยค่าความแน่นอนรวมกับการคาดการณ์ เทียบเท่ากับการจำแนกภาพที่เครือข่ายที่ทำงานมีสองส่วนหลัก

ส่วนสำคัญประการแรกคือตัวแยกคุณลักษณะซึ่งสร้างการแสดงข้อมูลอินพุตแบบออปติคัล จากนั้นเพื่อจำกัดการถดถอยของเอาต์พุตไปยังมิติใดมิติหนึ่ง เลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์จะถูกใช้ ในทางกลับกัน จำเป็นต้องมีเลเยอร์ softmax สำหรับการจำแนกประเภทหลายคลาส

ต้องอ่าน : วิธีการทีละขั้นตอนเพื่อสร้างระบบ AI ของคุณเองวันนี้

บรรทัดล่างสุด

เราเข้าใจ Geometric Deep Learning อย่างลึกซึ้งโดยใส่ไว้ในบริบท Deep Learning โดยรวม เราสามารถสรุปได้ว่าการเรียนรู้เชิงลึกเชิงเรขาคณิตเกี่ยวข้องกับข้อมูลที่ไม่ปกติโดยรวม และเราได้เรียนรู้เกี่ยวกับกราฟโดยแสดงให้เห็นว่าบทบาทของพวกเขาในการเรียนรู้อคตินั้นมีแนวโน้มที่ดีเพียงใด

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับ เทคนิคการเรียนรู้เชิงลึก แมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's PG Diploma in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมอย่างเข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษามากกว่า 30+ การมอบหมายงาน, สถานะศิษย์เก่า IIIT-B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ